使用可公开的基于云的注册表针对治疗COVID-19进行智能工作流分析的制作方法

使用可公开的基于云的注册表针对治疗covid-19进行智能工作流分析
1.相关申请的交叉引用
2.本技术要求于2020年5月20日提交的欧洲专利申请号20175835.6的申请日的权益，该专利申请的公开内容的全文特此通过引用并入并且用于所有目的。
技术领域
3.本文公开的方法和系统总体上涉及用于促进covid-19相关诊断和治疗的智能识别的系统和方法。更具体地，本公开涉及一种基于云的应用程序，该基于云的应用程序生成预测受试者的covid-19诊断和/或covid-19治疗的适用性的输出。


背景技术：

4.传染性疾病可能对人类健康造成致命伤害。传染性疾病是由病原体引起的，病原体可能是细胞病原体(细菌、寄生虫和真菌)或非细胞病原体(病毒、类病毒和朊病毒)。就病毒性疾病而言，急性或慢性呼吸道疾病很常见。例如，流感病毒(“流感”)是正粘病毒科家族中一种资料完备的rna病毒。虽然流感病毒持续进化，但进化通常在病毒演化树的已知谱系中发生。流感病毒的病毒谱系是已知的，这一事实有助于诊断和治疗由流感病毒引起的呼吸道疾病。因此，流感的影响及对流感的治疗(诸如流感疫苗)已得到并将继续得到充分研究。
5.最近发现了一种被称为“严重急性呼吸综合征冠状病毒2”(sars-cov-2)的新型病毒。sars-cov-2病毒会导致被称为冠状病毒病-19(covid-19)的疾病。sars-cov-2属于一类遗传多样性病毒，在包括鸟类和哺乳动物在内的多种宿主物种中均有发现。冠状病毒(cov)在动物和人类中引起肠道和呼吸道感染。sars-cov-2是已知感染人类的冠状病毒科的第七个成员。蝙蝠被认为是许多类sars cov的天然载体。
6.科学界一直在竞相了解sars-cov-2病毒感染机制的细节。sars-cov-2病毒通常通过结合人体细胞表面上的血管紧张素转化酶2(ace2)受体来感染细胞。病毒进入细胞后，病毒与囊泡融合并释放病毒rna。病毒rna被翻译成蛋白质，这些蛋白质用于组装新的病毒颗粒，然后由受感染的细胞释放到体内。
7.鉴于研究发布的快节奏——这些研究现在频繁在绕过同行评审后发表，诊断和治疗covid-19成为一项重大挑战。由于几乎每天都在曝光新信息，与covid-19相关的信息环境迅速发展。此外，诊断covid-19需要了解sars-cov-2病毒中与其他冠状病毒不同的特异基因，以提供准确的聚合酶链式反应(pcr)检测。否则，该检测可能会扩增来自相关冠状病毒的基因并产生假阳性结果。发展血清学检测需要从感染过病毒的受试者分离抗体，这需要从先前受感染受试者获得样本并识别特异性结合sars-cov-2病毒抗原的抗体。
8.此外，由于冠状病毒是rna病毒，因此确定针对covid-19的有效治疗成为一项挑战。当rna病毒在宿主体外时，它们处于休眠状态，但仍具有传染性达数小时至数天。病毒感染细胞后，它可以在几个小时内自身复制10,000次，从而导致每茶匙血液存在数以亿计的
病毒颗粒。由于rna病毒利用宿主自身的蛋白质进行复制，因此许多攻击病毒的药物也会伤害宿主细胞。因此，抗病毒药物通常必须是非常特异的，并且仅靶向独特的病毒蛋白。因此，活性药物对每种病毒都是特异的，并且通常对其他病毒无效。
9.病毒还能够相对快速地变异以逃避宿主免疫系统的检测并感染新的宿主物种。但是，病毒具有一种校对蛋白质，允许病毒纠正在复制遗传物质时出现的某些错误。在宿主体内复制时发生突变的能力意味着一些病毒可能对抗病毒药物产生抗药性。这会缩短活性药物的有效寿命，并且与hiv类似，可能需要多种药物“鸡尾酒”来确保病毒不会对鸡尾酒中的所有药物产生抗药性。
10.以下文献描述了估计哪些患者可能会接受covid-19阳性诊断或需要住院治疗或成为重症病例的临床预测模型，schwab等人：“predcovid-19:a systematic study of clinical predictive models for coronavirus disease 2019”，arxiv.org，2020年5月17日，xp081675049。这些模型使用基于常规收集的临床数据的机器学习。对于各种治疗是否会适合于特定受试者的评估似乎并没有相关描述。
11.以下文献描述了使用人工智能算法将胸部ct表现与临床症状、暴露史和实验室测试整合以快速诊断covid-19，mei等人:“artificial intelligence-enabled rapid diagnosis of patients with covid-19”，nature medicine，2020年5月19日第26卷第8期第1224-1228页。对于各种治疗是否会适合于特定受试者的评估似乎并没有相关描述。
12.机器学习也已应用于接触者追踪上下文中。alsdurf等人：“covi white paper”，arxiv.org，2020年5月8日，xp081671734，描述了一种covid-19公共点对点接触者追踪和风险感知移动应用程序，该应用程序利用机器学习来优化和自动化关于一个人被感染的可能性的线索的整合，并且使用所得的分级风险级别来驱动向用户发送适当的建议和信号，以便他们可更新自己的风险评定。然而，这样的移动应用程序只允许用户评估他们是否可能已暴露于sars-cov-2病毒，但无法提供covid-19的任何具体诊断或治疗。
13.更一般地，数字个性化医疗系统也是已知的。例如，pct国际申请公布wo 2017/106770提供了一种使用数字数据来评估或诊断患者的症状的系统，其中考虑了来自患者对治疗的应答的反馈以更新个性化治疗干预措施。描述了对认知、发育、神经退行性和行为障碍的具体应用，但未公开对病毒性疾病或呼吸道病症(如covid-19)的讨论。
14.鉴于诊断和治疗covid-19的挑战，尽管尝试了使用数字数据来个性化诊断或病毒暴露，但仍然需要用于从covid-19受试者收集数据并处理所收集的数据以促进covid-19相关诊断和治疗的智能识别的改进方法和系统。具体地，支持快速收集和处理与covid-19有关的大数据的系统可以允许医疗专业人员更快地了解该疾病如何影响不同的人，以及在特定情况下哪些治疗可能有效。


技术实现要素：

15.在一些实施例中，提供了一种计算机实现的方法。该计算机实现的方法可以包括接收对应于对与受试者相关联的受试者记录的标识符的选择的输入。受试者记录的标识符可以使用界面来选择。该计算机实现的方法还可以包括从数据存储检索受试者记录。受试者记录可以包括受试者属性集。该计算机实现的方法还可以包括生成针对受试者的数组表示，以及将针对受试者的数组表示输入到经训练的机器学习模型中以生成输出，诸如大小
减小的输出。例如，数组表示可以通过将该受试者属性集转换为域空间中表示的数组表示来生成。经训练的机器学习模型可以包括使用存储在数据注册表中的其他受试者记录集学习过的参数集。该其他受试者记录集中的每一个其他受试者记录可以与感染过covid-19且随后使用治疗进行过治疗的另一受试者相关联。该计算机实现的方法还可以包括被配置为使用该参数集将数组表示输入转换为大小减小的输出的一个或多个函数。该计算机实现的方法还可以包括基于输出来确定受试者记录对应于covid-19诊断标准和/或指示特定covid-19治疗的适用性的因素。该计算机实现的方法可以包括输出受试者记录对应于covid-19诊断标准和/或指示特定covid-19治疗的适用性的因素的指示。
16.实施方案可以包括以下特征中的一个或多个。该计算机实现的方法可以进一步包括，响应于确定受试者记录对应于covid-19诊断标准：执行被配置为检测与受试者的一个或多个潜在人类交互的标识的交互跟踪协议。交互跟踪协议的执行可以包括将针对受试者的数组表示输入到另一经训练的机器学习模型中。该另一经训练的机器学习模型可能已经过训练以生成指示受试者的潜在交互位置的另一输出。该计算机实现的方法还可以包括基于该另一经训练的机器学习模型的该另一输出来确定与受试者相关联的潜在交互位置集。该潜在交互位置集中的每个潜在交互位置指示对受试者到过的潜在位置或位置类型的预测。该计算机实现的方法还可以包括确定自受试者开始表现出症状以来的天数。自受试者开始表现出症状以来的天数可以指示受试者已释放的病毒载量的大小。
17.该计算机实现的方法还可以包括选择该潜在交互位置集的不完整子集。选自该潜在交互位置集的不完整子集的大小可以基于自受试者开始表现出症状以来的天数来确定。该计算机实现的方法还可以包括生成通信工作流，该通信工作流用于使通信被发送，以通知与该潜在交互位置集的不完整子集中的每个潜在交互位置相关联的一个或多个个体。可以在接收到来自受试者的授权时发送通信。可以接收对通信的一个或多个响应。该计算机实现的方法还可以包括使用对通信的该一个或多个响应来识别该一个或多个潜在人类交互。该计算机实现的方法还可以包括针对该一个或多个潜在人类交互中的每一个潜在人类交互生成用于向潜在人类交互分配covid-19测试的测试请求工作流。该计算机实现的方法可以进一步包括，响应于确定受试者记录对应于covid-19诊断标准：将该其他受试者记录集输入到随机森林模型中。随机森林模型可以定义与该其他受试者记录集相关联的树状结构。树状结构可以包括一个或多个节点，并且该一个或多个节点中的每一个节点可以表示该其他受试者记录集的子集。
18.该计算机实现的方法还可以包括使用随机森林模型来处理该其他受试者记录集。处理可以包括确定用于将该其他受试者记录集分割成一个或多个受试者记录子集的一个或多个分割阈值。每一个受试者记录子集可以对应于树状结构的叶节点。叶节点表示受试者结果。该一个或多个分割阈值中的每一个分割阈值可以使树状结构分支成一个或多个子节点。该计算机实现的方法还可以包括选择该一个或多个受试者记录子集中的子集。所选择的子集可以对应于从covid-19康复后已出院的受试者。该计算机实现的方法还可以包括确定与所选择的子集相关联的治疗集。该治疗集中的每治疗可能已开具给从covid-19康复后已出院的受试者中的至少一个受试者。该计算机实现的方法还可以包括在界面上呈现该治疗集作为用于治疗受试者的建议治疗。处理该其他受试者记录集可以进一步包括确定与所选择的子集相关联的一个或多个特征。该一个或多个特征中的每一个特征可以基于该一
个或多个分割阈值中的分割阈值来确定。每一个特征可以有助于将该其他受试者记录集筛选到所选择的子集中。该计算机实现的方法还可以包括确定受试者记录与所选择的子集的该一个或多个特征之间的相似性度量。该计算机实现的方法还可以包括确定针对该治疗集中的每一种建议治疗的置信度分数。置信度分数可以基于相似性度量来确定。表征受试者的该受试者属性集可以包括来自由以下各项组成的组中的任一项或多项：一种或多种合并症、受试者的吸烟状况、病毒性疾病的疑似诊断、病毒性疾病的确诊诊断、用于确认诊断的测试技术或用于疾病或病症的治疗。
19.在一些实施例中，提供了一种系统，其包括：一个或多个数据处理器；以及包含指令的非暂时性计算机可读存储介质，所述指令在所述一个或多个数据处理器上被执行时使所述一个或多个数据处理器执行本文公开的一种或多种方法的部分或全部。
20.在一些实施例中，提供了一种计算机程序产品，其有形地体现在非暂时性机器可读存储介质中，并且其包括指令，所述指令被配置为使一个或多个数据处理器执行本文公开的一种或多种方法的部分或全部。
21.本公开的一些实施例包括一种系统，该系统包括一个或多个处理器。在一些实施例中，该系统包括包含指令的非暂时性计算机可读存储介质，所述指令在所述一个或多个处理器上被执行时使所述一个或多个处理器执行本文公开的一种或多种方法的部分或全部和/或本文公开的一种或多种过程的部分或全部。本公开的一些实施例包括一种有形地体现在非暂时性机器可读存储介质中的计算机程序产品，其包括指令，所述指令被配置为使一个或多个处理器执行本文公开的一种或多种方法的部分或全部和/或本文公开的一种或多种过程的部分或全部。
22.已使用的术语和表述被用作描述性而非限制性的术语，并且在使用此类术语和表述时无意排除示出和描述的特征或其部分的任何等效物，但应认识到在要求保护的本发明的范围内可以进行各种修改。因此，应当理解，虽然通过实施例和任选特征具体公开了要求保护的本发明，但是本领域技术人员可以对本文公开的概念进行修改和变化，并且此类修改和变化被认为是在所附权利要求书所限定的本发明范围内。
附图说明
23.结合以下附图描述本公开：
24.图1展示了根据本公开的一些方面的托管基于云的应用程序的网络环境。
25.图2是展示根据本公开的一些方面的由基于云的应用程序执行的过程的实例的流程图，该过程将与请求协助治疗受试者的咨询广播相关联的精简受试者记录分发给用户设备。
26.图3是展示根据本公开的一些方面的过程的实例的流程图，该过程用于监测治疗计划定义(例如，决策树或治疗工作流)的用户整合并且基于监测的结果来自动更新治疗计划定义。
27.图4是展示根据本公开的一些方面的过程的实例的流程图，该过程用于为受试者建议治疗。
28.图5是展示根据本公开的一些方面的过程的实例的流程图，该过程用于混淆查询结果以符合数据隐私规则。
29.图6是展示根据本公开的一些方面的过程的实例的流程图，该过程用于使用机器人脚本(诸如聊天机器人)与用户通信。
30.图7是展示根据本公开的一些方面的过程的实例的流程图，该过程用于诊断患有covid-19的受试者。
31.图8是展示根据本公开的一些方面的过程的实例的流程图，该过程用于跟踪被诊断出患有covid-19的受试者的交互。
32.图9是展示根据本公开的一些方面的过程的实例的流程图，该过程用于确定用于治疗covid-19的推荐治疗集和用于治疗受试者的对应置信度分数。
33.在附图中，相似部位和/或特征可具有相同的参考标号。此外，可通过在参考标号后面加上破折号和区分相似部位的第二标号来区分相同类型的各种部位。如果说明书中仅使用第一参考标号，则该描述适用于任何一个具有相同的第一参考标号的相似部位，而与第二参考标号无关。
具体实施方式
34.i.概述
35.covid-19的特征在于不确定性。虽然专家们已检测到导致covid-19(即sars-cov-2)的病原体，但sars-cov-2的许多其他特征尚不清楚且仍在研究中。例如，潜在covid-19治疗的列表频繁改变，因此为给定受试者选择“最佳”治疗具有挑战性。使covid-19治疗进一步复杂化的是，sars-cov-2可以快速而显着地发展。sars-cov-2的系统发育树似乎具有至少三个基因组(随着另外的研究的进行可能更多)。在两种不同的人类宿主中，特定病毒突变的进化选择可能会略有不同，这使系统发育树复杂化。复杂的系统发育树增加了测试covid-19、检测covid-19症状和治疗covid-19的复杂性。此外，sars-cov-2使用宿主细胞的蛋白质进行复制。如果提供抗病毒药物疗法来攻击sars-cov-2，则抗病毒药物也会伤害宿主细胞。因此，以特异且靶向性的方式为covid-19受试者开具合适的治疗，只靶向sars-cov-2的独特病毒蛋白是一项具有挑战性和风险性的任务。
36.此外，covid-19的表现的特征在于变异性。在许多情况下，sars-cov-2会伤害受试者的肺部和呼吸道。在一些情况下，sars-cov-2还会伤害其他器官，诸如神经系统和心脏。因此，随着新研究的发布，covid-19症状知识库会快速改变。例如，专家们最初确定儿童往往具有较轻的covid-19症状。然而，随着新研究的发布，专家们直到最近才确定sars-cov-2可以引发炎症和免疫系统过度反应，即川崎病。
37.sars-cov-2的传播性也尚不清楚。作为一种rna病毒，sars-cov-2可能在宿主细胞外处于休眠状态，同时仍具有传染性达数小时至数天。一旦进入宿主细胞，sars-cov-2就可以在几个小时内自身复制10,000次，这可以导致每茶匙血液存在数以亿计的病毒颗粒。sars-cov-2还可以通过吸入由受感染受试者呼出的飞沫来感染他人。例如，呼吸和讲话会导致受试者呼出飞沫，然而，sars-cov-2在呼出飞沫中的传染性程度仍在评估中。
38.研究或医疗机构发布的研究也可能造成不确定性。例如，最初来自法国的研究表明，羟氯喹(一种抗疟药)可以有效治疗covid-19。然而，不久之后，专家们确定这些研究存在缺陷。此外，研究机构发布研究的速度促使许多研究机构绕过对其研究的同行评审。因此，基于研究结果来确定的某些covid-19治疗可能不适合开具给covid-19受试者。
39.鉴于诊断和治疗covid-19受试者的复杂性，本文描述的技术涉及基于云的应用程序，该基于云的应用程序使护理提供者(例如，医师)能够收集有关被疑似诊断或确诊诊断为患有covid-19的受试者的信息，并且使用经训练的机器学习或人工智能模型来促进covid-19治疗的智能选择。经训练的机器学习或人工智能模型可以检测受试者记录(例如，电子健康记录)内与covid-19数据一致(例如，从而暗示covid-19诊断)和/或对应于预测的信息和/或模式，该预测即与其他可用治疗相比特定治疗用于治疗受试者可能更有效(例如，如基于预测的生存期、预测的无进展生存期和/或预测的从部分或全部症状稳定康复时间来评估的)。预测或建议治疗用于协助护理提供者治疗covid-19受试者。
40.构建一个基于云的动态平台，该平台执行经训练的人工智能(ai)模型以频繁处理对于应对covid-19可能非常有价值的新数据。经训练的ai模型可以频繁和/或反复监测最近的数据，以从不断改变的covid-19环境中检测新的诊断和治疗信息，具有这样的模型可以大大推进医学发展。例如，ai模型可以检测与covid-19诊断相关联的新症状表现、受试者特征与特定治疗处方之间的新关联和/或关于covid-19受试者将对一种或多种特定治疗如何应答的新预测因子。基于云的平台可以以符合适用的数据隐私法规和标准的方式进一步聚合来自许多地点(例如，不同国家)的许多机构的数据。这种聚合可以增加可用于训练ai模型的数据集的大小和变异性，从而提高模型的准确性。因此，使用经训练的ai模型的基于云的应用程序可用于处理对应于特定受试者的数据，以预测(例如)受试者是否患有covid-19；受试者的预后；和/或受试者将对一种或多种不同治疗中的每一种治疗如何应答。例如，在复杂且快节奏的covid-19研究环境中，预测对治疗的应答性可能是一项重要的技术优势。
41.作为说明性实例，最近开始经历covid-19相关症状(诸如发热和呼吸急促)的受试者可能会被送入医疗机构。治疗受试者的医师可能怀疑受试者患有covid-19，因此，医师可以将受试者的症状和人口统计信息输入到基于云的应用程序中。症状和人口统计信息可以作为受试者属性存储在受试者记录中，该受试者记录存储在数据注册表中。受试者记录可以进一步更新以包括自动检测到的数据点(例如，与数据条目相关联的日期和物理位置，然后可以估计其对应于受试者经历症状的日期和位置)。因此，作为一项优势，基于云的应用程序使医师能够以有组织的方式从受试者收集信息。
42.继续该说明性实例，基于云的应用程序还可以将受试者记录输入到经训练的机器学习或人工智能模型中以生成输出，这些输出协助治疗医师确定是否诊断受试者患有covid-19，以及如果确诊，则为受试者确定合适的治疗方案。例如，基于云的应用程序可以返回结果预测——基于与受试者相关联的症状、人口统计信息和位置——受试者感染covid-19的概率为94％。
43.人工智能模型还可以用于识别针对特定受试者的治疗和/或预测一种或多种治疗中的每一种治疗在治疗特定受试者时的有效性。例如，基于云的应用程序可以返回结果，该结果将(托珠单抗)识别为针对与症状相关联的受试者的、与最高预测无进展生存期(治疗开始后4周)相关联的治疗。
44.人工智能模型可以被配置为或可以学习评估多个结果和/或终点中的一个或多个结果和/或终点，以评估受试者对给定治疗的应答性如何和/或评估给定治疗的功效。可以被评估的结果可以包括(例如)受试者是否出院和/或出院时间、受试者是否死亡(例如，由
于covid-19或任何原因)、covid-19症状是否恶化和/或恶化程度、受试者的covid-19症状严重程度分类是否进展和/或进展程度和/或受试者的病毒载量是否改变和/或改变程度。可以针对一个或多个特定时间点(例如，治疗开始后两周或四周)和/或不那么严格地(例如，仅将每一个结果与对应时间点相关联)跟踪结果。有效治疗可以被定义或学习为(例如)与随后的出院、存活、症状减轻或缓解、症状严重程度分类改善和/或病毒载量减少或清除相关联的治疗。虽然这些终点说明了可用于表征过去治疗应答性和/或预测其他受试者的治疗应答性的结果类型，但人工智能模型可以学习到其他信息性结果在这方面也会提供有用信息。
45.在一些情况下，人工智能模型(例如，以监督方式)被训练成学习可用于将受试者记录数据转换为与治疗效果有关的预测的参数。人工智能模型可以包括经训练以预测治疗效果的监督模型，诸如神经网络(例如，前馈网络、递归网络和/或深度网络)、回归模型或支持向量机。人工智能模型可以包括经训练以识别输入数据集中的相似性的无监督模型，诸如聚类模型(例如，主成分分析模型)或最近邻模型。
46.例如，诊断和/或治疗预测可以通过识别与受试者相似的一个或多个受试者并且评估与相似受试者相关联的治疗处方和治疗功效数据来生成。相似受试者可以通过使用最近邻技术处理与受试者群体相关联的记录数据来识别。基于云的应用程序可以评估相似受试者记录以(例如)识别提供给过相似受试者并且潜在地跟踪过治疗后监测到的受试者健康属性的covid-19治疗集或治疗分类。
47.在一些实例中，基于云的应用程序可以生成预测受试者对某些治疗的应答性的输出。界面可以呈现预测的应答性并且可以潜在地呈现相似受试者的部分或全部记录(例如，可能被编辑和/或部分隐藏)，使得用户可以将相似受试者的属性与感兴趣受试者的属性进行比较并且/或者查看指示治疗历史和/或应答的更完整数据。因此，该界面可以促进护理提供者关于covid-19诊断和/或covid-19治疗做出明智的决策(例如，基于表示预测受试者对建议治疗的应答程度的分数)。基于云的应用程序还可以被配置为执行协助护理提供者进行接触者追踪的动作。例如，当基于云的应用程序可以基于某些属性对受试者进行分类或分割时，于是生成受试者可能已访问过的区域的预测。
48.在一些实施例中，实体诸如医疗中心或研究机构可以操作存储数据的本地或远程网络。数据可以包括非结构化数据，诸如医师笔记的电子副本和/或对开放式问题的回答。通过将非结构化数据的部分映射到结构化数据记录的固定部分(例如，数据字段)，可以将非结构化数据摄取到数据注册表中。结构化数据记录的结构可以使用(例如)规范从对应于特定用例(例如，特定疾病、特定试验等)的模块来定义。例如，可以转换并精简非结构化笔记数据以识别笔记数据是否指示受试者表现出特定症状集中的哪一个症状(如果有的话)。笔记数据的一些部分可能与结构化数据中的字段无关并且/或者可能或多或少比字段数据更具体。因此，可以使用各种映射(例如，将“平衡障碍”症状映射到“神经”症状)、自然语言处理或基于界面的方法(例如，向用户请求新信息)来促进获得结构化数据记录。界面还可用于接收识别关于新受试者或现有受试者的新信息的输入，并且界面可包括输入部件和映射到数据记录结构的选择选项。
49.此外，技术涉及配置基于云的应用程序以执行智能分析功能以处理存储在数据注册表中的结构化数据记录。智能分析功能可以通过使用数据记录执行经训练的机器学习或
人工智能模型来执行。模型输出可用于指示从数据记录中提取的某些分析。
50.此外，技术涉及配置基于云的应用程序以执行数据隐私协议，这些协议使实体能够向和/或从外部实体发送和/或接收表征(例如，经历医学症状和/或具有医学病症的可能或确诊诊断的)受试者的一个或多个数据记录或其他信息，同时满足各个司法管辖区中的数据隐私规则所施加的限制。基于云的应用程序可以被配置为通过算法评估数据隐私违规行为，并且自动忽略、混淆或以其他方式修改数据记录以符合数据隐私规则。
51.在一些情况下，可以提供来自数据记录的数据传输以促进为个体受试者制定治疗计划。例如，数据记录信息(例如，经由例如选择省略和/或隐藏数据以符合数据隐私限制)可以被广播和/或提供给选定的用户组。例如，响应于来自用户的输入，该输入对应于发起向与相似受试者相关联的用户咨询的请求，可以向与类似数据记录相关联的用户发送广播。如果接收到广播的用户接受咨询请求(经由提供对应的输入)，则可以在用户之间建立安全的数据信道，并且潜在地可以共享更多的数据记录(例如，同时符合适用于这两个用户的数据隐私限制)。作为另一个实例，可以响应于对匹配特定限制的记录的查询，返回经处理的数据记录。在一些情况下，第一用户可以提交识别第一数据记录并请求识别相似数据记录的查询。然后，计算系统可以执行数据处理技术(例如，最近邻技术)以识别相似记录。在该搜索中可以对各种数据字段(例如，根据预定义的字段权重、指示匹配各种字段的重要性的用户输入和/或记录集中的特定字段值的普遍性)不同地加权。在记录集中搜索潜在匹配项时，某些记录可能缺少各种字段的值。在这些情况下，在评估潜在匹配时，可以确定(例如)字段值不匹配和/或字段可能未加权。缺失值的处理可能取决于该记录集中字段值的分布和/或查询中的字段值。
52.此外，一些技术涉及定义和使用规则集，该规则集用于考虑到在结构化数据中识别的症状集来识别针对受试者的潜在治疗方案。该规则集可以基于用户与用户界面的交互来定义，该用户界面可以包括特定标准的规范和相关联的特定医学治疗和/或对一个或多个先前定义的规则(该规则指定标准和治疗)的选择。例如，可以经由界面呈现一个或多个现有规则，并且用户可以选择规则以并入与账户相关联的规则库中，该账户与用户相关联。该一个或多个规则可以选自由(例如，与一个或多个机构相关联的)多个用户定义的规则集并且/或者可以基于由多个用户生成的规则来生成。例如，计算系统可以检测到将一种或多种特定类型的症状和/或检测结果与给定治疗相关的规则被用户相对频繁地定义和/或选择，并且计算系统然后可以生成与特定类型的症状和/或检测结果有关并且与给定治疗有关的一般规则。一般规则可以被定义为具有(例如)最严格、最包容或中间标准。在一些情况下，可以处理用户的规则库以检测规则之间的任何标准重叠。在识别到重叠后，可以呈现识别到重叠的警报。可以使用规则库中的规则来评估受试者记录以进行分类，以定义与受试者记录相关联的群体。使用规则来评估受试者记录可以作为决策树执行，例如，其中将规则的第一标准与受试者记录中包括的属性进行比较。如果满足第一标准，则将下一标准与受试者记录中包括的属性进行比较。如果满足下一标准，则针对规则中包括的每一个标准继续进行比较。即使不满足下一标准，比较也可以继续。在这种情况下，标准(以及规则中包括的任何其他标准)的不满足与满足了的标准一起被存储并呈现给用户设备。
53.因此，本公开的实施例通过提供基于云的应用程序来提供优于传统系统的技术优势，该基于云的应用程序被配置为与外部实体交换受试者信息而不违反数据隐私规则。基
于云的应用程序被配置为自动评估各个司法管辖区中涉及共享受试者信息的数据隐私规则。基于云的应用程序被配置为执行混淆或以其他方式修改受试者信息从而通过算法确保符合数据隐私规则的协议。
54.尽管以上公开描述了一种基于云的应用程序，该基于云的应用程序被配置为执行有关促进covid-19诊断和治疗的智能功能，但该基于云的应用程序可以被配置为识别针对任何疾病、病症、研究领域或障碍的潜在诊断或潜在治疗，包括但不限于：癌症专科，包括肺癌、乳腺癌、结肠直肠癌、前列腺癌、胃癌、肝癌、子宫颈癌(宫颈癌)、食道癌、膀胱癌、肾癌、胰腺癌、子宫内膜癌、口腔癌、甲状腺癌、脑癌、卵巢癌、皮肤癌和胆囊癌；实体瘤，诸如肉瘤和癌；免疫系统癌，包括淋巴瘤(诸如霍奇金淋巴瘤或非霍奇金淋巴瘤)；以及血癌(血液癌)和骨髓癌，诸如白血病(例如急性淋巴细胞白血病(all))和急性髓性白血病(aml))、淋巴瘤和骨髓瘤。另外的疾病包括：血液疾病，诸如贫血；出血性疾病，诸如血友病、血栓；眼科疾病，包括糖尿病视网膜病、青光眼和黄斑变性；神经疾病，包括多发硬化症、帕金森病、脊髓性肌萎缩症、亨廷顿病、肌萎缩侧索硬化症(als)和阿尔茨海默病；自身免疫性疾病，包括多发硬化症、糖尿病、系统性红斑狼疮、重症肌无力、炎症性肠病(ibd)、银屑病、格林-巴利综合征、慢性炎症性脱髓鞘性多发性神经病(cidp)、格雷夫斯病、桥本甲状腺炎、湿疹、血管炎、过敏和哮喘。
55.其他疾病和障碍包括但不限于：肾病；肝病；心脏病；卒中；胃肠道疾病，诸如乳糜泻、克隆病、憩室病、肠易激综合征(ibs)、胃食管反流病(gerd)和消化性溃疡；关节炎；性传播疾病；高血压；细菌和病毒感染；寄生虫感染；结缔组织病；乳糜泻；骨质疏松症；糖尿病；狼疮；中枢和周围神经系统疾病，诸如注意力缺陷/多动障碍(adhd)、全身僵硬症、脑炎、癫痫和癫痫样发作、周围神经病、脑膜炎、偏头痛、脊髓病、自闭症、双相情感障碍和抑郁症。
56.ii.covid-19的病毒学、流行病学、临床症状、诊断和治疗总结covid-19是由一种名为sars-cov-2的新型冠状病毒引起的疾病。sars-cov-2属于一类遗传多样性病毒，在包括鸟类和哺乳动物在内的多种宿主物种中均有发现。冠状病毒(cov)在动物和人类中引起肠道和呼吸道感染。sars-cov-2是已知感染人类的冠状病毒科和冠状病毒(cov)中的第七个成员。蝙蝠被认为是许多类sars cov，尤其是cov物种alpha-cov和beta-cov的天然载体。
57.sars-cov-2病毒通过结合人体细胞表面上的ace2受体来感染细胞。病毒进入细胞后，病毒与囊泡融合并释放病毒rna。病毒rna被翻译成蛋白质，这些蛋白质用于组装新的病毒颗粒，然后由受感染的细胞释放到体内。
58.流行病学分析表明，在最初阶段，人与人之间的传播是通过密切接触发生的。第二阶段的特征在于医院内传播和家庭内传播。第三阶段的特征在于所谓的“集群病例”迅速增加，这些病例集中在特定地点或特定人群(诸如大家庭)中。
59.covid-19的症状包括发热、咳嗽、呼吸急促(呼吸困难)、肌肉酸痛、发冷、咽喉痛和新近味觉或嗅觉丧失。不太常见的症状包括胃肠道症状，如恶心、呕吐或腹泻。此外，老年人和患有严重基础性医学病症(如心脏病或肺病或糖尿病)的人从covid-19疾病发展成更严重的并发症的风险似乎更高。例如，美国报告的10例死亡中有8例发生在65岁及以上的成年人中。
60.ii.a.用于测试sars-cov-2的诊断性检测
61.基于云的应用程序可以处理特定于受试者的数据，该数据包括用于通知covid-19
诊断决策的covid-19检测结果，并且/或者可以生成输出(基于对特定于受试者的输入数据集的处理来生成)，该输出对应于为受试者开具covid-19检测的建议。covid-19检测可以包括(例如)在本节中识别的一项或多项检测。
62.根据疾病控制和预防中心，当前有两种类型的检测可用于诊断covid-19病：针对当前感染的检测(病毒检测)和针对过去感染的检测(抗体检测)。病毒检测通常通过使用诸如聚合酶链式反应(pcr)、逆转录pcr(rt-pcr)或等温核酸扩增等技术扩增sars-cov-2特异基因来检测冠状病毒遗传物质中的分子。例如，f.hoffman-la roche ag提供sars-cov-2检测，这是一种实时rt-pcr检测，旨在定性检测受试者鼻咽和口咽拭子样本中的sars-cov-2。其他市售covid-19pcr检测包括但不限于：diagnostic solutions提供的covid-19化验pcr检测；由mayo clinic laboratories提供的pcr检测，即sars-cov-2分子检测化验；由seimens healthineers/fast track diagnostics提供的pcr检测，即快速诊断(ftd)sars-cov-2化验；由斯坦福医疗保健临床病毒学实验室提供的sars-cov-2pcr化验；由提供的pcr检测，即实时sars-cov-2eua检测；和任何其他合适的市售covid-19诊断性检测。
63.其他检测包括检测冠状病毒上存在的抗原，诸如表面刺突蛋白(例如，通过与特异性识别抗原的抗体结合)。例如，提供sofia 2sars抗原fia检测。病毒检测通常可用于诊断当前由冠状病毒引起的活动性感染，并且无法确定受试者先前是否受过感染并已康复。
64.血清学或抗体检测检测感染过病毒并已康复的受试者体内产生的抗体。血清学检测可用于检测症状轻微或无症状的个体。sars-cov-2感染会引发针对病毒抗原的免疫应答，包括产生免疫球蛋白m(igm)和免疫球蛋白g(igg)抗体。这些抗体可在感染后几天检测到，但可以在血液中持续存在多年，从而允许检测过去的感染。例如，f.hoffman-la roche ag提供anti-sars-cov-2检测，这是一种血清学检测，旨在检测受试者对sars-cov-2的免疫应答。anti-sars-cov-2检测是一种免疫测定法，旨在定性检测人类血清和血浆(k2-edta、k-edta、li-肝素等)中的sars-cov-2抗体。其他市售covid-19血清学检测包括但不限于：提供的sars-cov-2igg检测；core提供的coretest covid-19igm/igg ab检测；surescreen提供的surescreen covid-19igm/igg快速检测试剂盒；和任何其他合适的市售血清学检测。
65.诊断性测试将患有covid-19的受试者分类为以下分型类别：
66.·
无症状或症状前感染：sars-cov-2检测呈阳性但无症状的个体；
67.·
轻型：有各种体征和症状(例如，发热、咳嗽、咽喉痛、全身乏力、头痛、肌肉疼痛)中的任一种但没有呼吸急促、呼吸困难或影像学异常的个体；
68.·
普通型：通过临床评估或影像学检查有下呼吸道疾病证据且在海平面室内空气中氧饱和度(spo2)＞93％的个体；
69.·
重型：呼吸频率＞30次/分钟、在海平面室内空气中spo2≤93％、动脉血氧分压与吸入浓度之比(pao2/fio2)＜300或肺浸润＞50％的个体；和
70.·
危重型：患有呼吸衰竭、感染性休克和/或多器官功能障碍的个体。
71.由于数据不足，美国国立卫生研究院(nih)不建议也不反对对轻型至重型covid-19受试者进行任何抗病毒或免疫调节疗法。
72.ii.b.针对covid-19的已知治疗
73.如所提及的，本文描述的基于云的应用程序和/或人工智能模型可用于识别针对特定受试者的建议治疗和/或预测受试者将对给定治疗如何应答。例如，对于本节中描述的一种或多种治疗(和/或对于随后用于covid-19治疗的一种或多种其他治疗)，基于云的应用程序可以预测治疗将在三周内导致症状完全康复的概率。然后，基于云的应用程序可以识别与最高康复概率相关联的、受试者潜在使用的单一治疗。
74.针对covid-19的当前治疗选项包括抗病毒药物、基于免疫的疗法、中和抗体、以及用于患有呼吸衰竭的受试者的机械呼吸机。例如，针对covid-19的当前治疗选项包括抗病毒药物，诸如瑞德西韦，用于患有严重疾病的住院受试者，这些受试者被定义为环境空气(海平面)中spo2≤94％，需要补充氧气、机械通气或体外膜氧合。在美国，瑞德西韦当前尚未获得美国食品和药物管理局(fda)的批准，但可通过fda紧急使用授权用于治疗患有covid-19的住院成人和儿童。瑞德西韦也在临床试验研究中，并且可通过紧急获取计划用于儿童和孕妇受试者。
75.nih建议不要使用高剂量氯喹(每天两次，每次600mg，持续10天)来治疗covid-19，因为高剂量比低剂量具有更高的毒性风险。其他抗病毒药物包括阿奇霉素和hiv蛋白酶抑制剂洛匹那韦/利托那韦。但是，除非是在临床试验的上下文中，nih建议不要使用以下药物来治疗covid-19：
76.·
羟氯喹联合阿奇霉素(aiii)，因为可能产生毒性；和
77.·
洛匹那韦/利托那韦(ai)或其他hiv蛋白酶抑制剂(aiii)，因为药效不利且临床试验数据消极。
78.其他抗病毒药物包括在一些国家获批用于治疗流感的法匹拉韦，以及与药物洛匹那韦/利托那韦联合检测作为covid-19治疗的阿比朵尔。
79.另一种治疗选项包括基于免疫的疗法，诸如恢复期血浆和sars-cov-2特异性免疫球蛋白。nih当前认为，没有足够的数据建议或反对使用covid-19恢复期血浆或用于治疗covid-19的sars-cov-2免疫球蛋白。然而，nih建议不要使用非sars-cov-2特异性ivig来治疗covid-19，除非是在临床试验的上下文中。但当另外指示用于治疗covid-19病程中出现的并发症时，不应排除使用ivig。
80.另一种治疗选项包括免疫抑制药物，用于治疗发展成急性呼吸窘迫综合征(ards)的受试者中与covid-19感染相关联的所谓的“细胞因子风暴”。几种免疫抑制剂正在临床试验检测中，包括巴瑞替尼(一种用于类风湿性关节炎的药物)；cm4620-ie(一种用于胰腺癌的药物)；和白介素抑制剂(il-6抑制剂)。nih当前认为，没有足够的数据建议或反对使用白介素1抑制剂(例如，阿那白滞素)和白介素6抑制剂(例如，萨里鲁单抗、司妥昔单抗、托珠单抗)来治疗covid-19。
81.美国fda还批准了一种装置，该装置从被收治到重症监护病房(icu)的、确诊或即将出现呼吸衰竭的受试者的血液中过滤出细胞因子。fda向terumo bct inc.和marker therapeutics ag授予其spectra optia单采系统和depuro d2000吸附盒装置的紧急使用授权。
82.另一种治疗选项包括免疫调节剂(诸如α和β干扰素和激酶抑制剂)。nih还建议，除非是在临床试验的上下文中，不要使用其他免疫调节剂，诸如干扰素，因为它们在治疗严重急性呼吸综合征(sars)和中东呼吸综合征(mers)时无效且有毒性，和janus激酶抑制剂(例如，巴瑞替尼)(aiii)，因为它们具有广泛的免疫抑制作用。
83.对于需要呼吸机支持的患有covid-19的危重成人受试者，nih建议对于尽管接受了常规氧疗法但仍患有急性低氧性呼吸衰竭的受试者使用高流量鼻导管(hfnc)氧疗而不是无创正压通气(nippv)。对于需要机械呼吸机且同时患有急性呼吸窘迫综合征(ards)的受试者，nih建议使用低潮气量(vt)通气(vt 4-8ml/kg预计体重)而不是较高潮气量(vt＞8ml/kg)。对于患有covid-19且尽管优化了通气但仍患有顽固性低氧血症的机械通气的成人，nih建议每天俯卧位通气12至16个小时，而不是不进行俯卧位通气。对于患有covid-19、严重ards且尽管优化了通气和其他抢救策略但仍患有低氧血症的机械通气的成人，nih建议试验吸入性肺血管扩张剂作为抢救疗法；如果未观察到氧合的快速改善，建议受试者逐渐停止治疗。
84.另一种治疗选项包括向受试者施用皮质类固醇。然而，nih还建议不要常规使用全身性皮质类固醇来治疗患有covid-19而未患ards的机械通气的受试者。对于患有covid-19和ards的机械通气的成人，nih认为在没有另一个指示的情况下，没有足够的数据建议或反对皮质类固醇疗法。然而，对于患有顽固性休克的covid-19受试者，nih指出，低剂量皮质类固醇疗法优于无皮质类固醇疗法。
85.另一种治疗选项是使用抗凝剂的抗血栓疗法和抗血小板治疗。nih建议患有covid-19的住院成人应按照其他住院成人的护理标准接受静脉血栓栓塞(vte)预防。nih建议，对于经历突发血栓栓塞事件或在无法进行成像时被高度怀疑患有血栓栓塞性疾病的患有covid-19的受试者，应按照未患covid-19的受试者的护理标准以抗凝剂疗法的治疗剂量进行管理，而对于需要体外膜氧合或持续肾脏替代疗法或患有导管或体外过滤器相关血栓形成的患有covid-19受试者，应按照未患covid-19的受试者的标准机构方案以抗血栓疗法进行治疗。
86.最后，当前没有获批的covid-19疫苗。当前的候选疫苗包括基于mrna和dna的疫苗、基于病毒载体的疫苗、灭活(非传染性)或减活冠状病毒(有时在病毒载体中施用)和基于蛋白质的疫苗，包括利用病毒的蛋白质亚基或用病毒样颗粒进行免疫。
87.iii.用于托管配置有智能功能的基于云的应用程序的网络环境
88.图1展示了网络环境100，其中托管了基于云的应用程序的实施例。网络环境100可以包括云网络130，该云网络包括云服务器135和数据注册表140。云服务器135可以执行基于云的应用程序底层的源代码。数据注册表140可以存储从一个或多个用户设备(诸如计算机105、膝上型电脑110和移动设备115)摄取或使用该一个或多个用户设备识别的数据记录。
89.存储在数据注册表140中的数据记录可以根据固定部分(例如，数据字段)的骨架结构来结构化。计算机105、膝上型电脑110和移动设备115各自可以由各个用户操作。例如，计算机105可以由医师操作，膝上型电脑110可以由实体的管理员操作，并且移动设备115可以由受试者操作。移动设备115可以使用网关120和网络125连接到云网络130。在一些实例中，计算机105、膝上型电脑110和移动设备115中的每一者都与同一实体(例如，同一医院)
相关联。在其他实例中，计算机105、膝上型电脑110和移动设备与不同实体(例如，不同医院)相关联。计算机105、膝上型电脑110和移动设备115等用户设备是用于说明目的的实例，因此，本公开不限于此。网络环境100可以包括任何数量或配置的、任何设备类型的用户设备。
90.在一些实施例中，云服务器135可以通过与计算机105、膝上型电脑110或移动设备115中的任一者交互来获得数据(例如，受试者记录)以存储在数据注册表140中。例如，计算机105通过使用界面与云服务器135交互以选择受试者记录或本地存储(例如，存储在计算机105本地的网络中)的其他数据记录以摄取到数据注册表140中。作为另一个实例，计算机105与界面交互以向云服务器135提供存储受试者记录或其他数据记录的数据库的地址(例如，网络位置)。然后，云服务器135从数据库中检索数据记录并且将数据记录摄取到数据注册表140中。
91.在一些实施例中，计算机105、膝上型电脑110和移动设备115与不同实体(例如，医疗中心)相关联。云服务器135从计算机105、膝上型电脑110和移动设备115获得的数据记录可以存储在不同的数据注册表中。虽然来自计算机105、膝上型电脑110和移动设备115中的每一者的数据记录都可以存储在云网络130内，但是这些数据记录可以不混合。例如，由于数据隐私规则所施加的限制，计算机105无法访问从膝上型电脑110获得的数据记录。然而，云服务器135可以被配置为在不同实体查询这些数据记录时自动混淆、隐藏或掩蔽数据记录的部分。因此，从实体摄取的数据记录可以以经混淆、隐藏或掩蔽的形式暴露给不同实体，以符合数据隐私规则。作为说明性实例，医师或其他医疗专业人员可以输入受试者的症状，这些症状潜在地与covid-19相关。症状可以作为与受试者相关联的受试者记录的一部分存储在云网络130内。
92.一旦从计算机105、膝上型电脑110和移动设备115收集到数据记录，这些数据记录就可以用作训练数据来训练机器学习或人工智能模型以提供本文描述的智能分析功能。考虑到当与实体相关联的用户设备查询数据注册表140并且查询结果包括源自不同实体的数据记录时，这些数据记录可以以经混淆的形式提供或暴露给用户设备，这是符合数据隐私规则的，因此数据记录也可用于供任何实体查询。
93.云服务器135可以被配置为执行智能功能以处理存储在数据注册表140中的数据记录。例如，执行智能功能可以包括将存储在数据注册表140中的数据记录的至少一部分输入到经训练的机器学习或人工智能模型中，以生成输出以供进一步分析。在一些实施例中，输出可用于提取数据记录内的模式或预测与数据记录的数据字段相关联的值或结果。下面描述由云服务器135执行的智能功能的各种实施例。
94.在一些实施例中，云服务器135被配置为使(例如，由医师操作的)用户设备能够访问基于云的应用程序以将咨询广播发送到目的地设备集。咨询广播可以是关于与受试者记录相关联的受试者的治疗的支持或协助请求。目的地设备可以是由与另一个实体相关联的另一个用户(例如，另一个医疗中心的医师)操作的用户设备。如果目的地设备接受与咨询广播相关联的协助请求，则基于云的应用程序可以生成受试者记录的精简表示，该精简表示省略或隐藏受试者记录的某些数据字段。精简表示可以符合数据隐私规则，因此，受试者记录的精简表示无法用于唯一地识别与受试者记录关联的受试者。基于云的应用程序可以将受试者记录的精简表示发送到接受了协助请求的目的地设备。操作目的地设备的用户可
以评估精简表示并且使用通信信道与用户设备通信以讨论用于治疗受试者的选项。作为说明性实例，医师可能正在治疗被确诊诊断为患有covid-19的受试者。医师可以就如何治疗covid-19受试者寻求另外的进展或咨询。医师可以使广播咨询发送给在不同医院工作的医师。受试者记录的各种受试者属性可以被混淆，然后发送给另一位医师。然后，这两位医师可以在通信会话(诸如聊天室)期间就经混淆的covid-19记录通信。
95.在一些实施例中，云服务器135被配置为向用户设备提供治疗计划定义界面。治疗计划定义界面使用户设备能够定义针对病症的治疗计划。例如，治疗计划可以是用于治疗患有该病症的受试者的工作流。工作流可以包括用于将受试者群体定义为患有该病症的一个或多个标准。工作流还可以包括用于该病症的特定类型的治疗。云服务器135从用户设备集中的每一个用户设备接收并存储针对特定病症的治疗计划定义。基于云的应用程序可以将针对给定病症的治疗计划分发给用户设备集。该用户设备集中的两个或更多个用户设备可以与不同实体相关联。该两个或更多用户设备中的每一个用户设备都可以提供将任何部分或整个治疗计划整合到自定义规则集中的选项。云服务器135可以监测用户设备是整合完整的共享治疗计划还是整合治疗计划的一部分。用户设备与共享治疗计划之间的交互可用于确定是否更新治疗计划或基于治疗计划来创建的规则。
96.在一些实施例中，云服务器135使操作用户设备的用户能够访问基于云的应用程序以确定针对患有病症的受试者的建议治疗。用户设备加载与基于云的应用程序相关联的界面。该界面使操作用户设备的用户能够选择与用户正在治疗的受试者相关联的受试者记录。基于云的应用程序可以评估其他受试者记录以识别与用户正在治疗的受试者相似的先前治疗过的受试者。例如，可以使用受试者记录的数组表示来确定受试者之间的相似性。数组表示可以是受试者记录的数据字段的值的任何数值和/或类别表示。例如，受试者记录的数组表示可以是受试者记录在域空间中(诸如在欧几里得空间中)的向量表示。在一些情况下，数组中的多个值对应于单个字段。例如，字段值可以由经由独热编码生成的多个二进制值来表示。基于云的应用程序可以为一组受试者记录中的每一个受试者记录生成数组表示。两个受试者记录之间的相似性可以由这两个受试者记录的数组表示之间的距离来表示。此外，基于云的应用程序可以被配置为识别与用户设备使用界面选择的受试者记录最近邻的受试者。基于云的应用程序可以识别先前对最近邻受试者执行的治疗。基于云的应用程序可以在界面上提供先前对最近邻执行的治疗，以供操作用户设备的用户进行评估。
97.在一些实施例中，云服务器135被配置为创建在数据库中搜索先前治疗过的受试者的查询。云服务器135可以执行查询并且检索满足查询限制的受试者记录。然而，在呈现查询结果时，基于云的应用程序可以只呈现针对创建查询的用户已治疗过或正在治疗的受试者的完整受试者记录。基于云的应用程序掩蔽或以其他方式混淆针对创建查询的用户未治疗的受试者的受试者记录部分。掩蔽或混淆查询结果中包括的受试者记录的部分使用户能够符合数据隐私规则。在一些实施例中，可以针对受试者记录内的模式或公共属性自动评估查询结果(无论查询结果是否被混淆)。
98.在一些实施例中，云服务器135将聊天机器人嵌入到基于云的应用程序中。聊天机器人被配置为自动与用户设备通信。聊天机器人可以在通信会话中与用户设备通信，其中在用户设备与聊天机器人之间交换消息。聊天机器人可以被配置为选择针对从用户设备接收到的问题的答案。聊天机器人可以从基于云的应用程序可访问的知识库中选择答案。当
用户设备向聊天机器人发送问题，并且该聊天机器人没有存储在知识库中的预先存在的答案时，则在知识库中存储有预先存在的答案的问题的不同表示。可以提示正在与聊天机器人通信的用户聊天机器人提供的答案是否准确或有帮助。
99.iii.a.基于云的应用程序使用户设备能够向其他用户设备广播咨询请求并自动精简受试者记录以符合数据隐私规则
100.图2是展示由基于云的应用程序执行的过程200的流程图，该过程将与请求协助治疗受试者的咨询广播相关联的精简受试者记录分发到用户设备。过程200可以由云服务器135执行，以使与不同实体(例如，医院)相关联的用户设备能够关于受试者的治疗进行协作或咨询，同时符合数据隐私规则。
101.过程200在框210处开始，其中云服务器135从用户设备接收属性集。该属性集中的每一个属性可以表示受试者(例如，患者)的任何特征。该属性集可以由用户使用由云服务器135提供的界面来识别。例如，该属性集识别受试者的人口统计信息和受试者经历过的最近症状。人口统计信息的非限制性实例包括年龄、性别、种族、居住州或城市、收入范围、教育水平或任何其他合适的信息。最近症状的非限制性实例包括受试者当前或最近(例如，上次就诊时、入院时、24小时内、一周内)经历过的特定症状(例如，呼吸困难、高于阈值温度的发热、高于阈值血压的血压等)。
102.在框220处，云服务器135为受试者生成记录。该记录可以是包括一个或多个数据字段的数据元素。该记录指示与受试者相关联的该属性集中的每一个属性。该记录可以存储在中央数据存储处，诸如数据注册表140或任何其他基于云的数据库。在框230处，云服务器135接收由用户使用界面提交的请求。请求可以是发起咨询广播。例如，与实体相关联的用户是在医疗中心治疗受试者的医师。用户可以操作用户设备来访问基于云的应用程序以广播协助治疗受试者的请求。可以将广播发送到与不同实体相关联的其他用户设备集。
103.在框240处，云服务器135使用与受试者相关联的该属性集中包括的该一个或多个最近症状来查询中央数据存储。查询结果包括其他记录集。该其他记录集中的每一个记录都与另一受试者相关联。在框250处，云服务器135识别目的地地址集(例如，与不同实体相关联的其他用户设备)。该目的地地址集中的每一个目的地地址与另一受试者的护理提供者相关联，该另一受试者与在框240处识别的该其他记录集中的一个或多个其他记录相关联。在框260处，云服务器135生成受试者的记录的精简表示。记录的精简表示省略、隐藏或混淆记录的至少一部分。记录的精简表示可以在外部系统之间交换而不会违反数据隐私规则，因为记录的精简表示无法用于唯一地识别与记录相关联的受试者。云服务器135可以执行任何掩蔽或混淆技术来生成记录的精简表示。
104.在框270处，云服务器135利用连接输入部件向该目的地地址集中的每一个目的地地址提供记录的精简表示。连接输入部件可以是呈现给每一个目的地地址的可选元素。连接输入部件的非限制性实例包括按钮、链接、输入元素和其他合适的可选元素。在框280处，云服务器135从与目的地地址相关联的目的地设备接收通信。通信包括操作目的地设备的用户选择了与记录的精简表示相关联的连接输入部件的指示。在框290处，云服务器135促进在用户设备和选择了连接输入部件的目的地设备之间建立通信信道。通信信道使操作用户设备的用户(例如，治疗受试者的医师)能够与目的地设备交换消息或其他数据(例如，视频馈送)，该目的地设备与选择了连接输入部件的目的地地址(例如，同意协助治疗受试者
的另一个医院的医师)相关联。
105.在一些实施例中，云服务器135被配置为自动确定用户设备的位置和选择了连接输入部件的目的地设备的位置。云服务器135还可以比较这些位置以确定是否生成记录的精简表示。例如，在框260处，云服务器135可以生成记录的精简表示，因为云服务器135确定该目的地地址集中的每一个目的地地址不与发起咨询广播的用户设备并置。在这种情况下，云服务器135可以自动确定生成记录的精简表示以符合数据隐私规则。作为另一个实例，如果该目的地地址集与发起咨询广播的用户设备相同的同一实体相关联，则云服务器135可以将完整记录(例如，不混淆记录的任一部分)发送到与目的地地址相关联的目的地设备，同时仍符合数据隐私规则。
106.在一些实施例中，云服务器135生成多个其他精简记录表示。该多个其他精简记录表示中的每一个其他精简记录表示都与另一受试者相关联。云服务器135将该多个其他精简记录表示发送到用户设备；并且从用户设备接收识别对该多个其他精简记录表示的子集的选择的通信。该目的地地址集中的每一个目的地地址由精简记录表示中的一个精简记录表示来表示。例如，生成精简记录表示包括确定与精简记录表示相关联的另一受试者的司法管辖区，确定管理该司法管辖区内的受试者记录交换的数据隐私规则，并且生成精简记录表示以符合数据隐私规则。该多个其他精简记录表示中的第一其他精简记录表示可以包括特定类型的数据。该多个其他精简记录表示中的第二其他精简记录表示可以省略或隐藏特定类型的数据。例如，特定类型的数据可以是联系人信息、识别信息，诸如姓名、社会保险号、以及可用于唯一地识别该另一受试者的其他合适的信息。
107.在一些实施例中，使用该一个或多个最近症状来查询中央数据存储包括确定多个其他记录中的每一个其他记录的分数。分数可以表征其他记录的至少一部分与受试者的记录的至少一部分之间的相似性。查询可以进一步包括将该其他记录集定义为该多个其他记录中与高于阈值的分数相关联的子集。查询中央数据存储可以包括使用至少一些人口统计信息来识别该其他记录集。例如，其他记录中的一个其他记录可以包括包含人口统计信息项的数据字段，诸如年龄、性别、种族等。在一些实施例中，用户设备和另一个设备(例如，与目的地地址相关联的目的地设备)与不同的医疗机构相关联。
108.iii.b.基于聚合用户整合来更新可共享的治疗计划定义
109.图3是展示过程300的流程图，该过程用于监测治疗计划定义(例如，决策树或治疗工作流)的用户整合并且基于监测的结果来自动更新治疗计划定义。过程300可以由云服务器135执行以使用户设备能够定义用于治疗患有病症的受试者群体的治疗计划。用户设备可以将治疗计划定义分发给连接到内部或外部网络的用户设备。接收治疗计划定义的用户设备可以确定是否将治疗计划定义整合到自定义规则库中。可以监测到自定义规则库中的整合，并将其用于自动修改治疗计划定义。
110.在框310处，云服务器135存储界面数据，当用户设备加载界面数据时，该界面数据使得治疗计划定义界面被显示。当用户设备访问云服务器135以导航到治疗计划定义界面时，将治疗计划定义界面提供给用户设备集中的每一个用户设备。在一些实施例中，治疗计划定义界面使用户能够定义用于治疗患有病症(例如，淋巴瘤)的受试者群体的治疗计划。
111.在框320处，云服务器135接收通信集。该通信集中的每一个通信是从该用户设备集中的一个用户设备接收的，并且是响应于该用户设备与治疗计划定义界面之间的交互而
生成的。在一些实施例中，该通信包括一个或多个标准，例如，用于定义受试者记录群。每一个标准可以由变量类型来表示。标准可以是用于筛选受试者记录池的筛选条件。例如，定义与可能发展成淋巴瘤的受试者相关联的受试者记录群的标准可能包括筛选条件：“间变性淋巴瘤激酶(alk)异常”and“60岁以上”。该通信还可以包括用于该病症的特定类型的治疗。特定类型的治疗可以与被建议用于治疗与受试者记录群表示的受试者相关联的病症的行动(例如，接受手术)或不行动(例如，减少盐摄入)相关联。
112.在框330处，云服务器135将规则集存储在中央数据存储，诸如数据注册表140或云网络130内的任何其他集中式服务器。该规则集中的每一个规则包括一个或多个标准和在来自用户设备的通信中包括的特定治疗类型。作为说明性实例，规则表示用于治疗受试者体内的淋巴瘤的治疗工作流。该规则包括以下标准(例如，“if”语句之后的条件)和接下来的动作(例如，由用户定义或选择的、并且在“then”语句之后的特定治疗类型)：“if
‘
淋巴结活检指示存在淋巴瘤细胞’and
‘
血液检测显示存在淋巴瘤细胞’，then
‘
进行化疗治疗’and
‘
主动监测’。”此外，该规则集中的每一个规则与对应于发送通信的用户设备的标识符相关联地存储。
113.在框340处，云服务器135经由治疗计划定义界面识别实体中可用的该规则集的子集。规则子集可以包括与病症相关联的该规则集的子集，这些规则被分发给外部系统，诸如其他医疗中心，用于评估。例如，可以通过评估规则的特征或与规则相关联的标识符来选择规则以包括在规则子集中。规则的特征可以包括存储或附加到存储规则的代码或标记。代码或标记指示该规则通常可用于外部系统(例如，可用于实体)。
114.在框350处，对于在框340处识别的规则子集中的每一个规则，云服务器135检测与该规则的交互。交互可以包括(例如，与定义与该规则相关联的治疗计划的用户相关联的实体外部的)外部实体将该规则整合到自定义规则库中。例如，与外部实体(例如，不同医院)相关联的用户设备评估该规则是否可用于外部实体。评估包括确定该规则是否适合于整合到由外部实体定义的规则集中。当与外部实体相关联的用户设备指示使用该规则定义的治疗工作流适合于治疗对应于该规则的病症时，该规则可能是适合的。继续上面的说明性实例，用于治疗淋巴瘤的规则可提供给外部医疗中心。与外部医疗中心相关联的用户确定用于治疗淋巴瘤的规则适合于整合到由外部医疗中心定义的规则集中。因此，在将规则整合到由外部医疗中心定义的自定义规则库中后，与外部医疗中心相关联的其他用户将能够通过从自定义规则库中选择经整合的规则来执行经整合的规则。此外，云服务器135通过检测当治疗计划定义界面从与外部实体相关联的用户设备接收到对应于将规则整合到自定义规则库中的输入时生成或使得生成的信号来监测所提供的规则的整合。
115.作为另一个说明性实例，与外部实体相关联的用户设备使用治疗计划定义将规则的交互特定修改版本整合到自定义规则库中。规则的交互特定修改版本是被选择用于整合到自定义规则库中的规则的一部分。选择规则的一部分进行整合包括选择少于规则中包括的所有标准以整合到自定义规则库中。继续上面的说明性实例，与外部实体相关联的用户设备选择“if
‘
淋巴结活检指示存在淋巴瘤细胞
’”
标准以整合到自定义规则库中，但用户设备没有选择“血液检测显示存在淋巴瘤细胞”标准以整合到自定义规则库中。因此，整合到自定义规则库中的规则的交互特定修改版本是“if
‘
淋巴结活检指示存在淋巴瘤细胞’，then
‘
进行化疗治疗’and
‘
主动监测’。”从规则中删除“血液检测显示存在淋巴瘤细胞”标
准，以创建整合到自定义规则库中的规则的交互特定修改版本。
116.在框360处，云服务器135可以检测到规则的交互特定修改版本被整合到了由外部实体定义的自定义规则库中。一旦检测到整合，云服务器135就可以更新存储在云网络130的中央数据存储中的规则。可以基于监测到的交互来更新规则。此实例中的术语“基于”对应于“评估(监测到的交互)后”或“使用(监测到的交互)评估结果”。例如，云服务器135检测到与外部实体相关联的用户设备整合了规则的交互特定修改版本。响应于检测到规则的交互特定修改版本，云服务器135可以将存储在中央数据存储中的规则从现有规则更新为规则的交互特定修改版本。
117.在一些实施例中，云服务器135通过生成要向外部实体提供的更新版本来更新规则。另一个原始版本可以保持不更新并且提供给与用户设备相关联的用户，该用户设备发送识别标准和特定治疗类型的该一个或多个通信。例如，云服务器135更新存储在中央数据存储处的规则，但云服务器135不更新存储在中央数据存储处的该规则集中的另一个规则。
118.在一些实施例中，云服务器135可以在已满足更新条件时更新规则。更新条件可以是阈值。例如，阈值可以是已将规则的修改版本整合到其自定义规则库中的外部实体的数量或百分比。作为另一个实例，可以使用经训练的机器学习模型的输出来确定更新条件。为了说明，云服务器135可以将从外部实体接收到的检测到的信号输入到多臂老虎机模型中，该多臂老虎机模型自动确定是否以及何时提供规则和/或是否以及何时提供规则的更新版本。检测到的信号指示外部实体是否将规则整合到了其自定义规则库中，或者外部实体是否整合了规则的交互特定修改版本。
119.在一些实施例中，云服务器135识别该规则集中的多个规则，这些规则包括对应于相同变量类型的标准并且识别相同或相似类型的治疗。变量类型可以是用作标准的条件的值或变量。规则的标准的变量类型也可以是将受试者群体限制为子组的条件的任何值。例如，定义孕妇群体的规则的变量类型是“if
‘
受试者怀孕’。”当新规则通常向实体提供时，云服务器135确定作为该多个规则的精简表示的新规则。
120.在一些实施例中，云服务器135提供被配置为接收受试者的属性集的另一个界面。例如，用户操作用户设备以访问该另一个界面并且使用该另一个界面来选择包括属性集的受试者记录。对受试者记录的选择可以使得云服务器135接收受试者的该属性集。云服务器135基于受试者的该属性集来识别(例如，确定)满足标准的特定规则。例如，根据存储在中央数据存储中的规则的标准来评估受试者记录的该属性集。为了说明，如果该属性集包括包含值“怀孕”的数据字段，并且如果规则包括“if
‘
受试者怀孕”单个标准，则云服务器135识别该规则。云服务器135更新该另一个界面以呈现特定规则和与特定规则相关联的每一种特定类型的治疗。
121.在一些实施例中，规则的标准是与特定人口统计变量和/或特定症状类型变量相关的变量类型。人口统计变量的非限制性实例包括表征受试者的人口统计的任何信息项，诸如年龄、性别、种族、民族、收入水平、教育水平、位置和其他合适的人口统计信息项。症状类型变量的非限制性实例指示受试者当前或最近(例如，上次就诊时、入院时、24小时内、一周内)是否经历过特定症状(例如，呼吸困难、昏厥、高于阈值温度的发热、高于阈值血压的血压等)。
122.在一些实施例中，云服务器135监测受试者记录注册表中的数据，诸如存储在数据
注册表140中的受试者记录。云服务器135针对规则子集中的每一个规则(在框340识别)监测受试者记录注册表中的数据。云服务器135识别满足了规则的标准、并且特定治疗先前开具给受试者的受试者集。云服务器135针对该受试者集中的每一个受试者识别受试者的报告状态，如从评估或测试中指示或使用评估或测试来识别。例如，报告状态是表征受试者某一方面状态的任何信息，诸如受试者是否已出院、受试者是否还活着、受试者血压的测量值、受试者在睡眠阶段期间醒来的次数和其他合适的状态。云服务器135基于报告状态来确定该受试者集对特定治疗的估计应答性度量。例如，如果规则的特定治疗是开具药物，则估计应答性度量是药物解决受试者经历的症状或病症的程度的表示。作为非限制性实例，该受试者集的估计应答性度量可以是平均值、加权平均值或分配给该受试者集中的每一个受试者的分数的任何总和。分数可以表示或衡量受试者对治疗的应答性的有效性。云服务器135可以使得该规则集的子集和该受试者集的估计应答性度量被显示或以其他方式呈现在治疗计划定义界面中。
123.iii.c.使用开具给相似受试者的治疗来呈现具有相关联功效的治疗建议
124.图4是展示用于为受试者建议治疗的过程400的流程图。过程400可以由云服务器135执行以向与医疗实体相关联的用户设备显示针对受试者的建议治疗和每一种建议治疗的功效。可以使用评估先前开具给相似受试者的治疗的功效的结果来确定建议治疗。
125.在框410处，云服务器135接收对应于表征受试者各方面的受试者记录的输入。从与实体相关联的用户设备接收输入。此外，响应于用户设备使用与被配置为管理受试者记录注册表的平台的实例相关联的界面来选择或以其他方式识别受试者记录，接收输入。用户设备可以通过加载存储在与云网络130连接的网络服务器(未示出)处的界面数据来访问界面。网络服务器可以被包括在云服务器135上或在云服务器上执行。
126.在框420处，云服务器135从在框410处接收到的受试者记录中提取受试者属性集。一个受试者属性表征受试者的一个方面。受试者属性的非限制性实例包括在电子健康记录中发现的任何信息、任何人口统计信息、年龄、性别、种族、最近或历史症状、病症、病症的严重程度以及表征受试者的任何其他合适的信息。
127.在框430处，云服务器135使用该受试者属性集来生成受试者记录的数组表示。例如，数组表示是受试者记录中包括的值的向量表示。向量表示可以是域空间(诸如欧几里得空间)中的向量。然而，数组表示可以是受试者记录的数据字段的值的任何数值表示。在一些实施例中，云服务器135可以执行特征分解技术，诸如奇异值分解(svd)，以生成表示受试者记录的数组表示的该受试者属性集的值。
128.在框440处，云服务器135访问表征多个其他受试者的其他数组表示集。该其他数组表示集中包括的数组表示可以是表征另一受试者(例如，该多个其他受试者中的一个其他受试者)的受试者记录的向量表示。
129.在框450处，云服务器135确定表示在表示该受试者的数组表示与其他受试者中的每一个其他受试者的数组表示之间的相似性的相似性分数。例如，使用(域空间中)距离的函数来计算在表示该受试者的数组表示与表示其他受试者的数组表示之间的相似性分数。为了说明并且仅作为非限制性实例，可以使用“0”到“1”的范围来计算相似性分数，其中“0”表示距离超出定义阈值，“1”表示它们之间的数组表示没有距离。
130.在框460处，云服务器135识别该多个其他受试者的第一子集。当与受试者相关联
的相似性分数高于预定的绝对或相对阈值时，可以将受试者包括在第一子集中。类似地，在框470处，云服务器识别该多个其他受试者的第二子集。然而，当该受试者的相似性分数在预定范围内时，可以将受试者包括在第二子集中。
131.在框480处，云服务器135检索该多个其他受试者的第一子集中和第二子集中的每一个受试者的记录数据。记录数据包括在表征受试者的记录中包括的属性。例如，记录数据识别受试者接受的治疗以及受试者对治疗的应答。对治疗的应答可以用文本(例如，“受试者对治疗积极应答”)或分数表示，该分数指示受试者对治疗积极或消极应答的程度(例如，从“0”到“1”的分数，其中“0”表示消极应答，“1”表示积极应答)。
132.在框490处，云服务器135生成要呈现在用户设备上的界面处的输出。例如，输出可以指示第一子集和第二子集中的其他受试者接受的治疗、第一子集和第二子集中的受试者的治疗应答性以及第二子集中的受试者的受试者属性与该受试者的受试者属性之间的差值。
133.在一些实施例中，云服务器135确定该受试者和来自第一子集或第二子集中的受试者中的一个受试者正在或曾经被同一医疗实体治疗。云服务器135确定该受试者和第一子集或第二子集中的另一受试者正在或曾经被不同医疗实体治疗。云服务器135可以经由界面提供受试者的记录的不同混淆版本。作为一个技术优势，基于云的应用程序可以基于不同司法管辖区的数据隐私规则对数据共享施加的不同限制，自动向实体提供记录的不同混淆版本。在一些实施例中，云服务器135使用最近邻学习技术来识别第一子集和第二子集。
134.iii.d.自动混淆来自外部实体的查询结果
135.图5是展示用于混淆查询结果以符合数据隐私规则的过程500的流程图。过程500可以作为确保与外部实体进行受试者记录的数据共享符合数据隐私规则的执行规则，由云服务器135执行。基于云的应用程序可以使用户设备能够向数据注册表140查询满足查询限制的受试者记录。但是，查询结果可能包括源自外部实体的数据记录。因此，过程500使云服务器135能够向用户设备提供来自外部实体的关于治疗的附加信息，同时符合数据隐私规则。
136.在框510处，云服务器135接收来自与第一实体相关联的用户设备的查询。例如，第一实体是与第受试者记录集相关联的医疗中心。查询可以包括与医学病症相关联的症状集或限制数据注册表140的查询搜索的任何其他信息。
137.在框520处，云服务器135使用从用户设备接收到的查询来查询数据库。在框530处，云服务器135生成对应于该症状集并且与医学病症相关联的查询结果数据集。例如，用户设备发送对已被诊断患有淋巴瘤的受试者的受试者记录的查询。查询结果包括来自第一受试者记录集(其源于第一实体或在第一实体处创建)的至少一个受试者记录和来自与第二实体(例如，不同于第一实体的医疗中心)相关联的第二受试者记录集的至少一个受试者记录。来自第一受试者记录集的受试者记录和来自第二受试者记录集的受试者记录中的每一个受试者记录可以包括受试者属性集。受试者属性可以表征受试者的任何方面。
138.在框540处，云服务器135向用户设备呈现(例如，提供或以其他方式使其可用)用于第一受试者记录集中包括的受试者记录的完整受试者属性集，因为这些记录源自第一实体。呈现完整受试者记录包括使受试者记录中包括的该属性集对用户设备可用，以使用界
面进行评估或交互。在框550处，云服务器135另外或另选地向用户设备提供用于第二受试者记录集中包括的每一个受试者记录的该受试者属性集的不完整子集。提供该受试者属性集的不完整子集为受试者提供了匿名性，因为受试者属性的不完整子集无法用于唯一地识别受试者。例如，提供不完整子集可以包括10个受试者属性中可用的四个受试者属性，以使与这10个受试者属性相关联的受试者匿名化。在一些实施例中，在框550处，云服务器135提供用于第二受试者中包括的每一个受试者记录的经混淆的受试者属性集。混淆该属性集包括降低所提供信息的粒度。例如，代替提供受试者地址的受试者属性，经混淆的属性可能是邮政编码或受试者居住的州。无论是提供不完整的受试者还是经混淆的子集，云服务器135都使与受试者记录相关联的受试者匿名化。
139.iii.e.聊天机器人与自学知识库的整合
140.图6是展示用于使用机器人脚本(诸如聊天机器人)与用户通信的过程600的流程图。过程600可以由云服务器135执行，用于将用户提供的新问题自动链接到知识库中的现有问题以提供对新问题的回答。聊天机器人可以被配置为提供针对与病症相关联的问题的答案。
141.在框605处，云服务器135定义知识库，其包括答案集。知识库可以是存储在存储器中的数据结构。数据结构存储表示对已定义问题的该答案集的文本。每一个答案可以由聊天机器人响应于在通信会话期间从用户设备接收到的问题而选择。知识库可以自动定义(例如，通过从数据源检索文本并使用自然语言处理技术来解析文本)或由用户定义(例如，由研究人员或医师)。
142.在框610处，云服务器135接收来自特定用户设备的通信。该通信对应于发起与特定聊天机器人的通信会话的请求。例如，医师或受试者可以操作用户设备以与聊天机器人在聊天会话中通信。云服务器135(或存储在云服务器135内的模块)可以管理或促进在用户设备与聊天机器人之间建立通信会话。在框615处，云服务器135在通信会话期间从特定用户设备接收特定问题。该问题可以是使用自然语言处理技术来处理的文本字符串。
143.在框620处，云服务器135使用从特定问题中提取的至少一些字词来查询知识库。可以使用自然语言处理技术从表示特定问题的文本字符串中提取字词。在框625处，云服务器135确定知识库不包括特定问题的表示。在这种情况下，接收到的问题可能是新提出给聊天机器人的。在框630处，云服务器135从知识库中识别另一个问题表示。云服务器135可以通过将从用户设备接收到的问题与存储在知识库中的另一个问题表示进行比较来识别该另一个问题表示。如果例如基于使用自然语言处理技术对问题表示的分析来确定了相似性，则云服务器135识别该另一个问题表示。
144.在框635处，云服务器135在知识库中检索该答案集中与该另一个问题表示相关联的答案。在框640处，在框635处检索到的答案作为对接收到的问题的答案被发送到特定用户设备，即使知识库不包括接收到的问题的表示。在框645处，云服务器135接收来自特定用户设备的指示。例如，可以响应于用户设备指示由聊天机器人提供的答案是对特定问题的回答而接收该指示。
145.在框650处，云服务器135更新知识库以包括特定问题的表示或特定问题的不同表示。例如，存储问题的表示包括将问题中包括的关键字存储在数据结构中。云服务器135还可以将特定问题的相同或不同表示与发送给特定用户设备的更多答案相关联。
146.在一些实施例中，云服务器135访问与特定用户设备相关联的受试者记录。云服务器135确定对特定问题的多个答案。然后，云服务器135从该答案集中选择一个答案。然而，对答案的选择至少部分地基于与特定用户设备相关联的受试者记录中包括的一个或多个值。例如，受试者记录中包括的值可以表示受试者最近经历过的症状。聊天机器人可以选择取决于受试者最近经历过的症状的答案。
147.iii.f.用于诊断患有covid-19的受试者的模块
148.图7是展示使用根据一些实施例的基于云的应用程序来诊断患有covid-19的受试者和/或确定用于治疗受试者的建议治疗集的过程700的实例的流程图。过程700可由云服务器135执行。例如，云服务器135可以存储界面数据，当界面数据被加载到用户设备上时，使得界面显示在用户设备上。该界面可以被配置为从用户(例如，医师)接收与正在被治疗的受试者相关的输入数据。可以使用该界面将输入数据发送给云服务器135。例如，输入数据可能包括受试者经历的任何covid-19相关症状，诸如受试者的合并症、发热、咳嗽、呼吸急促(呼吸困难)、肌肉酸痛、发冷、咽喉痛和新近味觉或嗅觉丧失。不太常见的症状包括胃肠道症状，如恶心、呕吐或腹泻。
149.云服务器135可以处理输入数据并且生成输出，该输出指示受试者对应于covid-19诊断标准和/或指示特定covid-19治疗的适用性的因素。此外，用于诊断和治疗受试者covid-19的模块可以整合到基于云的应用程序中。例如，该模块可以包括存储在云服务器135处的可执行代码。该模块可以包括用于诊断或治疗covid-19的一个或多个规则或过程，该一个或多个规则或过程可以作为提供给用户的基于云的应用程序的一部分，由云服务器135执行。
150.过程700在框710处开始，其中云服务器135接收对应于受试者记录的标识符的输入。例如，从界面接收输入，该界面使用户设备能够选择受试者记录以供进一步评估。操作用户设备的医师可以加载该界面，然后使用该界面来选择受试者记录的标识符。标识符可以是唯一地识别受试者记录的代码或任何信息。标识符的非限制性实例包括受试者姓名、联系信息、与受试者相关联的标识符(例如，最初使用随机、伪随机或顺序过程分配)以及其他合适的识别信息。用户设备可以选择受试者记录的标识符以使得云服务器135生成对受试者记录中的信息是否与covid-19的特征和/或诊断一致的预测。
151.在框720处，云服务器135接收受试者记录的标识符并且从数据存储检索受试者记录。受试者记录包括表征受试者的受试者属性集。受试者属性可以是受试者记录中包含描述受试者的任何信息(诸如健康信息)的特定数据字段的值。受试者属性的非限制性实例包括姓名、年龄、性别、身高、体重、体质指数(bmi)、血压和其他关键统计数据、地址、先前病史、先前诊断或病症、(例如，covid-19或其他病症)诊断的严重程度、现有医学病症(例如，covid-19或其他病症)的严重程度、受试者是否吸烟、受试者是否因covid-19或任何病毒性疾病的疑似(例如，未确诊)或确诊诊断被收治到医疗机构、该病毒性疾病是否得到rt-pcr-elisa(逆转录酶/聚合酶链式反应联合酶联免疫吸附试验)诸如f.hoffman-la roche ag提供的sars-cov-2rt-pcr检测或其他诊断工具(例如，上文第ii.a节中描述的任何诊断工具)确诊、受试者经历过的症状(例如，咳嗽、发热、肌肉疼痛、呼吸急促、咽喉痛、嗅觉丧失、结膜炎、胃肠道症状、伤风、头痛等)以及表征受试者的其他合适的属性。受试者属性(例如，年龄、现有医学病症、先前手术或先前医学病症)可能是covid-19的合并症。例如，受试
者记录的受试者属性中的一个受试者属性可能包括f.hoffman-la roche ag提供的sars-cov-2检测，这是一种实时rt-pcr检测，旨在定性检测受试者鼻咽和口咽拭子样本中的sars-cov-2。其他市售covid-19pcr检测包括但不限于：diagnostic solutions提供的covid-19化验pcr检测；由mayo clinic laboratories提供的pcr检测，即sars-cov-2分子检测化验；由seimens healthineers/fast track diagnostics提供的pcr检测，即快速诊断(ftd)sars-cov-2化验；由斯坦福医疗保健临床病毒学实验室提供的sars-cov-2pcr化验；由提供的pcr检测，即实时sars-cov-2eua检测；和任何其他合适的市售covid-19诊断性检测。
152.在框730处，云服务器135为受试者生成数组表示。云服务器135可以将受试者记录中包括的该受试者属性集转换为域空间(例如欧几里得空间)中表示的向量。例如，云服务器135可以对该受试者属性集执行svd以生成每一个属性的一个或多个数值表示，然后将数值表示串接或以其他方式组合成向量表示。
153.在框740处，云服务器135可以将受试者的数组表示输入到经训练的机器学习模型中以生成输出。经训练的机器学习模型可以包括使用存储在数据注册表中的其他受试者记录集学习过的参数集。该参数集中的每一个参数可以包括在训练期间学习的值，诸如学习的权重(例如，在神经网络中的一对节点之间)或学习的系数。经训练的机器学习模型可以进一步被配置有一个或多个超参数并且/或者可能已使用一个或多个超参数进行训练。每一个超参数可以包括一个独立于训练的值集。例如，超参数可以包括神经网络中的层数、神经网络中的一个或多个层中的每一层中的节点数、学习率等。该其他受试者记录集中的每一个其他受试者记录可以与感染过covid-19且潜在地随后使用治疗进行过治疗的另一受试者相关联。该其他受试者记录集中的每一个其他受试者记录可以包括表征该另一受试者的其他受试者属性集。在一些情况下，该其他受试者记录集中的每一个其他受试者记录识别受试者的治疗和/或随后或最近的状态(例如，已康复、上了呼吸机、进了重症监护病房、已去世、死因等)。该其他受试者记录集可以用作机器学习模型的训练数据。
154.经训练的机器学习模型可以包括被配置为使用该参数集将数组表示输入转换为输出的一个或多个函数。在某些情况下，输出可以是大小减小的输出，其是具有比输入中的值数量或由经训练的机器学习模型生成的初始输出的值数量更少的值的输出。例如，馈送到经训练的机器学习模型的输入的尺寸可以是[1,n]，其中n是多个受试者属性和/或多个受试者属性的聚合表示的长度。大小减小的输出可以包括来自可能分类的列表的单个分类或排名最高的分类(例如，基于排名，这些排名是基于机器学习结果来生成的)。在一些情况下，输入包括表示多个受试者属性的值集，并且尺寸减小的输出包括比输入中的值更少的值(例如，1、2、3或4个值)。在一些情况下，输出的大小和/或尺寸与输入的大小和/或尺寸相同或更大。例如，输出可以识别归因于每一个输入值的重要性，以及累积输出(例如，表示预测的诊断或潜在的治疗)。
[0155]
大小减小的输出可以从经训练的机器学习模型的初始输出中减小或精简。例如，函数可以将经训练的机器学习模型的输入的数值转换为经训练的机器学习模型的输出的数值。函数可以表示该参数集(例如，权重)的组合(例如，加权组合)，这些参数与数组表示相乘以生成经训练的机器学习模型的输出。
[0156]
在框750处，云服务器135基于经训练的机器学习模型的输出来确定受试者记录对
应于covid-19诊断标准和/或指示特定covid-19治疗的适用性的因素。例如，诊断受试者患有covid-19或疑似covid-19诊断标准包括存在以下症状实例中的任一种或多种：咳嗽、发热、肌肉疼痛或酸痛、呼吸急促、咽喉痛、味觉或嗅觉丧失、结膜炎、胃肠道症状、伤风、头痛、呼吸急促、发冷、寒颤、炎症、呕吐、腹泻、皮疹、嘴唇皲裂、眼睛发红、手脚肿胀、关节痛、眩晕、苍白、疲倦、胸痛、covid-19检测结果呈阳性或疑似阳性、受试者是否吸烟以及其他合适的症状。在一些实施例中，标准由与政府实体的医疗机构相关联的医师或其他医疗专业人员制定。在其他实施例中，使用经训练的机器学习模型来自动学习标准。例如，通过训练机器学习模型来检测被诊断患有covid-19(例如，被确诊covid-19检测结果呈阳性)的受试者中的受试者属性模式或症状，从而学习标准。
[0157]
云服务器135可以基于经训练的机器学习模型的输出来确定指示特定covid-19治疗的适用性的因素。云服务器135可以确定开具给在之前被诊断患有covid-19的其他受试者(例如，与其他受试者记录集相关联的其他受试者)的治疗集，并且/或者可以检索潜在covid-19治疗集。covid-19治疗的非限制性实例包括上文第ii.b节中描述的任何covid-19治疗、休息、增加补水和/或任何正在研究的治疗方法，包括但不限于瑞德西韦、托珠单抗、β干扰素、法匹拉韦、氧气、羟氯喹、阿奇霉素、恢复期血浆、秋水仙碱、伊维菌素和任何其他合适的治疗方法。提供给其他受试者的该治疗集中的每一种治疗可能与一个或多个因素相关联。在接受covid-19治疗的其他受试者组中，被开具某种治疗的受试者子组可能与因素集相关联。例如，20-25岁且没有合并症或健康病症的受试者子组中的绝大多数或所有受试者可能已被开具居家康复结合休息、补水和发热药物的治疗。此外，该受试者子组可能对没有抗病毒药物的居家康复治疗有完全或显著积极应答。作为另一个实例，在60-70岁之间且患有心脏病合并症的受试者子组中的至少一些受试者可能已(至少最初)被开具居家康复治疗。与20-25岁之间的受试者子组不同，该受试者子组中的该至少一些受试者可能对治疗没有积极应答，例如，如病毒性疾病在子组中的受试者中进展所确定的。在此实例中，60-70岁和心脏病合并症这两个因素对应于对居家康复治疗的消极应答。作为又一个实例，对于60-70岁之间且患有心脏病合并症的同一受试者子组，瑞德西韦治疗可能对应于子组中的受试者的积极应答，如由症状的总体减轻、缓解或停止所确定的。这些类型的数据可能导致机器学习模型已被训练成基于不同的受试者属性来预测不同类型的治疗建议。
[0158]
在框760处，云服务器135可以在界面上输出受试者记录对应于covid-19诊断标准和/或指示特定covid-19治疗的适用性的因素的指示。作为说明性实例，该界面显示受试者的某些受试者属性(例如，受试者经历过的症状)对应于covid-19诊断的指示。该界面显示列表，其中包括受试者的对应于covid-19诊断的受试者属性(例如，年龄超过年龄阈值和/或有吸烟史)。作为另一个说明性实例，该界面显示了covid-19的可能治疗的列表。该界面在列表中每一种可能治疗旁边显示了分数或视觉指示器，其表示受试者对治疗的可能的应答性。基于经训练的机器学习模型的输出来确定可能的应答性，该模型被训练成学习治疗、被开具过该治疗的受试者的受试者属性以及这些受试者的应答性之间的模式。探索针对受试者的covid-19治疗的医师可以查看可能治疗的列表以及受试者对每一种治疗的可能的应答性。
[0159]
图8是展示用于跟踪被诊断患有covid-19的受试者的交互的过程800的流程图。过程800可以作为整合到基于云的应用程序中的covid-19模块的功能，由云服务器135执行，
如参考图7所述。例如，云服务器135可以存储界面数据，当界面数据被加载到用户设备上时，使得界面显示在用户设备上。该界面可以被配置为显示受试者的潜在行经位置，以在受试者已被诊断患有covid-19后辅助医师和受试者进行接触者追踪。云服务器135可以执行交互跟踪协议810，这促进医师和/或受试者进行接触者追踪以确定可能已被受试者感染的其他个体。由于受试者无法记清或由于受试者无法接触(例如，如果受试者在icu中)，受试者或医师在执行稳健的接触者追踪时经常会遇到困难，因此，可以使用交互跟踪协议810来协助接触者追踪过程。交互跟踪协议810可以是covid-19模块中包括的可执行代码，该模块可以整合到基于云的应用程序中。
[0160]
在受试者已被诊断患有covid-19后(例如，在图7的框760后)，可以自动或手动执行交互跟踪协议810。例如，响应于确定受试者记录对应于covid-19诊断标准而执行交互跟踪协议810。可以进一步对受试者进行covid-19检测，以基于受试者的症状来确认covid-19的疑似诊断。在疑似诊断或确诊诊断之后，云服务器135执行交互跟踪协议810以识别受试者到过的潜在位置或受试者的潜在人类交互的列表，以辅助治疗医师和/或受试者进行接触者追踪。
[0161]
在框801处，云服务器135将受试者的数组表示输入到另一经训练的机器学习模型中。该另一经训练的机器学习模型可以是与参考图7所述的机器学习模型不同的模型。经训练的机器学习模型，参考图8所述，可能已经过训练以生成指示受试者的潜在交互位置的输出。机器学习模型可以被配置为逻辑回归模型、集成学习模型、最近邻或协同筛选模型或任何其他合适类型的机器学习模型。例如，云服务器135可以基于受试者的受试者记录中包括的一个或多个受试者属性来检测出受试者是学生。参考图8所述的经训练的机器学习模型可以被训练成基于受试者到过那里的可能性来输出建议进行调查的位置。对于作为学生的受试者，经训练的机器学习模型可能会建议接触者追踪包括评估与受试者学校、受试者宿舍、学生校园附近学生经常去学习的一个或多个咖啡店里的其他学生的潜在接触等。作为另一个实例，对于作为医疗保健专业人员(hcp)的受试者，经训练的机器学习模型可能会建议接触者追踪包括评估与hcp工作的医疗机构或hcp居住的公寓大楼或家中的个体的潜在接触。
[0162]
可以使用该其他受试者记录集和/或任何其他数据集(诸如第三方数据集)来训练该另一经训练的机器学习模型(参考图8所述的模型)。在一些实施例中，可以基于针对医疗实体或政府实体执行的先前接触者追踪来训练该另一经训练的机器学习模型。例如，训练数据集可包括针对被诊断患有covid-19的受试者的接触者追踪的其他实例。训练数据集可以包括另一受试者、该受试者的该属性集以及由该受试者识别的潜在交互位置的列表。训练数据还可以包括是否发现潜在人类交互和/或那些潜在人类交互是否可能已被受试者感染的指示。该另一经训练的机器学习模型可以被训练成检测训练数据内的模式或其他相关性。
[0163]
在框802处，云服务器135基于该另一经训练的机器学习模型的该另一输出来确定与受试者相关联的潜在交互位置集。潜在交互位置是受试者在概率上可能已到过或以其他方式访问过的位置。该潜在交互位置集中的每一个潜在交互位置指示受试者到过的潜在位置(例如，特定大学校园)或位置类型(例如，邮政编码地区中的咖啡店)。
[0164]
在框803处，云服务器135确定自受试者开始表现出症状以来的天数。自受试者开
始表现出症状以来的天数指示受试者释放的病毒载量的大小。通常，被病毒感染的受试者释放的病毒载量的大小在症状开始后的一段时间内增加。例如，在某天，2天前开始表现出症状的受试者正在释放的严重急性呼吸道综合征冠状病毒2(sars-cov-2)的病毒载量可能比10天前开始表现出症状的另一受试者正在释放的病毒载量更小。
[0165]
在框804处，云服务器135选择该潜在交互位置集的不完整子集。选自该潜在交互位置集的不完整子集的大小可以基于自受试者开始表现出症状以来的天数来确定。例如，不完整子集的大小与自症状开始以来的天数(假设受试者尚未康复)成正比，因为受试者释放的病毒载量的大小越大，受试者已表现出症状的时间越长。该潜在交互位置集的不完整子集的大小可能对应于许多要进行调查(作为接触者追踪的一部分)的潜在交互位置。作为说明性实例，如果在受试者被收治到医疗机构的当天，受试者仅已表现出症状一天，则潜在交互位置的子集可能仅包括受试者的家。然而，如果在受试者被收治到医疗机构的当天，受试者已表现出症状达12天，则由于感染其他个体的风险增加，潜在交互位置的子集可能包括更多要进行调查的潜在位置。因此，潜在交互位置的子集可能包括受试者的公寓、邻居的公寓、公寓楼的收发室、受试者的健身房、受试者自表现出症状以来参加过的任何社交聚会地点等。
[0166]
在框805处，云服务器135生成通信工作流，该通信工作流用于使通信被发送，以通知与该潜在交互位置集的不完整子集中的每一个潜在交互位置相关联的一个或多个个体。例如，通信工作流可以包括留下卫生保健工作者(例如，护士)的联系信息以供与潜在交互位置相关联的个人与其通信的步骤。如果潜在交互位置的子集包括邻居的公寓，则通信工作流将包括指示卫生保健工作者联系居住在该公寓里的邻居。可以在受试者已批准或授权通知与不完整子集中包括的每一个潜在交互位置相关联的个人后，生成通信工作流。发送的通信的非限制性实例可以包括电话、电子邮件(包括链接)、视频会议、邮寄信件、亲自拜访和其他合适的通信形式。
[0167]
在一些实施例中，云服务器135接收对通信的一个或多个响应(例如，来自个体，诸如被诊断患有covid-19的受试者的邻居)。云服务器135使用对通信的该一个或多个响应来识别该一个或多个潜在人类交互。云服务器135可以针对该一个或多个潜在人类交互中的每一个潜在人类交互生成用于向潜在人类交互分配covid-19测试的测试请求工作流。检测请求工作流可以包括确定可用的covid-19检测的数量以及为潜在人类交互选择或预留covid-19检测。例如，检测请求工作流可以选择f.hoffman-la roche ag提供的sars-cov-2rt-pcr检测。
[0168]
图9是展示用于确定用于治疗受试者的建议治疗集和对应置信度分数的过程900的流程图。过程900可以作为整合到基于云的应用程序中的covid-19模块的功能，由云服务器135执行，如参考图7所述。例如，云服务器135可以存储界面数据，当界面数据被加载到用户设备上时，使得界面显示在用户设备上。该界面可以被配置为显示用于治疗患有covid-19的受试者的建议治疗集，并且对于每一种建议治疗，显示表示受试者对该建议治疗的预测应答性的视觉指示器。云服务器135可以执行可执行代码以执行过程900，该过程辅助医师为被诊断患有covid-19的受试者选择治疗。过程900可以是covid-19模块中包括的可执行代码，该模块可以整合到基于云的应用程序中。响应于确定受试者记录对应于covid-19诊断标准来执行过程900。
[0169]
在框910处，云服务器135将该其他受试者记录集输入到随机森林模型中。该其他受试者记录集表示已被诊断患有covid-19且随后接受治疗的其他受试者，以及治疗其他受试者的结果。随机森林模型可以被训练成遍历受试者记录(或其他输入数据)以确定最佳分割属性和区分与输入的受试者记录相关联的结果的分割阈值。例如，随机森林模型可用于自动确定受试者属性123可以分裂成三个相关受试者属性：受试者属性234、家庭属性345和药物属性456。输入数据的分裂可以通过执行一种或多种算法来确定，诸如随机森林或梯度推进技术。此外，决策树的分裂可以指示哪些受试者属性有助于区分受试者的各种结果(例如，受试者是否已康复、已死亡、上了呼吸机等)。
[0170]
在框920处，云服务器135使用随机森林模型来处理该其他受试者记录集。处理该其他受试者记录集可以包括确定用于将该其他受试者记录集分割成一个或多个受试者组(例如，该其他受试者记录集的子集)的一个或多个分割阈值。该一个或多个受试者组中的每一个受试者组可以对应于一个受试者结果(例如，从covid-19康复的受试者、因covid-19去世的受试者、由于covid-19上了呼吸机的受试者等)。
[0171]
在框930处，云服务器135选择该一个或多个受试者组中的一个受试者组。受试者组对应于特定结果。对于与积极结果相关联的属性，诸如从covid-19完全康复，云服务器135选择包括从covid-19康复后已从医疗机构出院的受试者的受试者组。
[0172]
在框940处，云服务器135确定与所选择的受试者组相关联的治疗集。该治疗集中的每一种治疗已开具给从covid-19康复后已出院的受试者中的至少一个受试者。该治疗集可以包括开具给从covid-19康复的受试者组的治疗。在框950处，云服务器135可以使得开具给从covid-19康复并已出院(例如，积极结果)的受试者组的该治疗集被显示在用户设备的界面上。该治疗集可以作为针对受试者的建议治疗被显示给用户(例如，医师)。
[0173]
在框960处，云服务器135确定与所选择的受试者组相关联的一个或多个特征。该一个或多个特征中的每一个特征可以基于由随机森林模型确定的该一个或多个分割阈值中的分割阈值来确定。树分裂成一个或多个分支的点可以是由随机森林或梯度推进模型确定的分割阈值。作为说明性实例，随机森林模型可以遍历该其他受试者记录集以定义用于表示该其他受试者记录集的树状结构。树状结构的叶节点可以基于治疗的结果来确定。例如，一个叶节点可能表示已康复的受试者，另一个叶节点可能表示已去世的受试者，另一个叶节点可能表示上了呼吸机的受试者等。对于表示从covid-19康复的受试者的叶节点，随机森林模型可以确定有助于康复的受试者组的特征。例如，可以通过执行随机森林或梯度推进技术来确定特征。此外，这些特征可能包括第一特征“自症状开始以来七天或更少天”、第二特征“用瑞德西韦治疗的受试者”和第三特征“受试者没有合并症”。每一个特征可以与所选择的受试者组的子组或受试者记录中包括的受试者属性相关联。
[0174]
在框970处，云服务器135确定受试者记录与被确定为有助于创建所选择的受试者组的该一个或多个特征中的每一个特征之间的相似性度量。特征可以表示由叶节点表示的受试者组的子组。该子组可能已被规定为该治疗集的不完整子集。在一些实施例中，通过确定域空间(例如，欧几里得空间)中受试者的数组表示到子组的平均数组表示之间的距离来确定相似性度量，该子组与由叶节点表示的受试者组的所确定的特征相关联。相似性度量可以是表示被诊断患有covid-19的受试者的受试者记录与所选择的受试者组的特征相似或匹配的程度的分数。在一些实施例中，可以基于受试者记录中包括的多个特征来计算相
似性度量。继续上面的实例，可以将被诊断患有covid-19的受试者的受试者记录与上述第一特征、第二特征和第三特征进行比较以生成相似性度量。如果受试者记录包括属性“自症状开始以来七天或更少天”和另一个属性“受试者没有合并症”，则相似性度量可能是“2”。可以执行任何合适的技术来计算相似性度量。
[0175]
在框980处，云服务器135确定该治疗集中的每一种建议治疗的置信度分数。置信度分数可以基于相似性度量来确定。此外，可以计算置信度分数以表示受试者对建议治疗的预测应答性。预测应答性可以基于被诊断患有covid-19的受试者的受试者属性与随机森林模型中定义的每一个受试者组的特征相似或匹配的程度。
[0176]
covid-19是一种难以诊断和/或治疗的复杂病毒性疾病，因为关于sars-cov-2仍有很多有待了解。新研究快速地引入新结果。这些研究结果经常会在以后被更新或被发现不正确。基于云的应用程序可以基于关于sars-cov-2的新信息来补充、修改或删除covid-19的症状表现。作为说明性实例，儿童曾被认为在很大程度上或部分地对covid-19免疫。然而，随后的研究发现，sars-cov可能会引发与儿童(例如，5岁以下儿童)川崎病相关联的免疫系统过度反应。在这种情况下，可以更新covid-19症状表现以包括儿童病症或川崎病的其他症状，诸如皮疹、手脚肿胀、腹痛或其他消化系统症状、心脏病等。因此，构建一个基于云的动态平台可能非常有价值，该平台从机构和护理提供者的分布式网络收集数据，并且执行经训练的人工智能(ai)模型以频繁或反复处理新数据。此外，经训练的ai模型可以频繁或反复跟踪不断改变的诊断、治疗和/或治疗结果模式的环境，具有这样的模型可以大大推进医学发展。作为说明性实例，如果主治医师知道covid-19是否已进入他们的社区，则医师可以对表现出呼吸困难症状的受试者进行不同的治疗。作为另一个说明性实例，特定治疗可能在某些地点更有效，这可能是因为该治疗对某一地理区域流行的sars-cov-2特定毒株的有效性。因此，例如，在复杂且快节奏的covid-19研究环境中，使用经训练的ai模型的输出来预测对治疗的应答性的基于云的应用程序可能是一项重要的技术优势。
[0177]
应当理解，可以执行任何机器学习或人工智能算法以生成本文描述的任何经训练的机器学习模型。可以训练并执行各种不同类型和技术的基于人工智能和机器学习的模型，以生成预测用户结果的一个或多个输出，用于执行协议或功能。模型的非限制性实例包括朴素贝叶斯模型、随机森林或梯度推进模型、逻辑回归模型、深度学习神经网络、集成模型、监督学习模型、无监督学习模型、协同筛选模型和任何其他合适的机器学习或人工智能模型。
[0178]
还将理解，本公开不限于诊断和治疗covid-19。covid-19模块可被配置为识别针对任何疾病、病症、研究领域或障碍的潜在诊断或潜在治疗，包括但不限于：癌症专科，包括肺癌、乳腺癌、结肠直肠癌、前列腺癌、胃癌、肝癌、子宫颈癌(宫颈癌)、食道癌、膀胱癌、肾癌、胰腺癌、子宫内膜癌、口腔癌、甲状腺癌、脑癌、卵巢癌、皮肤癌和胆囊癌；实体瘤，诸如肉瘤和癌；免疫系统癌，包括淋巴瘤(诸如霍奇金淋巴瘤或非霍奇金淋巴瘤)；以及血癌(血液癌)和骨髓癌，诸如白血病(例如急性淋巴细胞白血病(all))和急性髓性白血病(aml))、淋巴瘤和骨髓瘤。另外的疾病包括：血液疾病，诸如贫血；出血性疾病，诸如血友病、血栓；眼科疾病，包括糖尿病视网膜病、青光眼和黄斑变性；神经疾病，包括多发硬化症、帕金森病、脊髓性肌萎缩症、亨廷顿病、肌萎缩侧索硬化症(als)和阿尔茨海默病；自身免疫性疾病，包括多发硬化症、糖尿病、系统性红斑狼疮、重症肌无力、炎症性肠病(ibd)、银屑病、格林-巴利
综合征、慢性炎症性脱髓鞘性多发性神经病(cidp)、格雷夫斯病、桥本甲状腺炎、湿疹、血管炎、过敏和哮喘。
[0179]
其他疾病和障碍包括但不限于：肾病；肝病；心脏病；卒中；胃肠道疾病，诸如乳糜泻、克隆病、憩室病、肠易激综合征(ibs)、胃食管反流病(gerd)和消化性溃疡；关节炎；性传播疾病；高血压；细菌和病毒感染；寄生虫感染；结缔组织病；乳糜泻；骨质疏松症；糖尿病；狼疮；中枢和周围神经系统疾病，诸如注意力缺陷/多动障碍(adhd)、全身僵硬症、脑炎、癫痫和癫痫样发作、周围神经病、脑膜炎、偏头痛、脊髓病、自闭症、双相情感障碍和抑郁症。
[0180]
iv.实例
[0181]
一名25岁、身高5英尺9英寸的男性到达美国堪萨斯州托皮卡的一家医院。他报告说他已呼吸困难三天了。他的体温为103
°
f。他填写了入院表格，记录他在特定杂货店工作并且不吸烟。护士使用峰值流量计并确定该受试者的峰值流量为555l/min。
[0182]
入院时，护士将上述信息输入到在线界面中，该界面返回一个结果，预测该受试者患有covid-19的可能性为96％。该界面指出，与诊断一致的因素包括所报告的呼吸困难、发热、职业、峰值流速和邻近城市(密苏里州堪萨斯城)最近病例数上升。
[0183]
进行了sars-cov-2检测，并收到了阳性结果。实验室技术人员与该界面交互以在该受试者的记录中提供该附加检测结果。然后，该界面中呈现的该受试者的状态从“可能为阳性”变为“阳性”。
[0184]
然后，医师与该界面交互并请求治疗建议信息。远程服务器使用最近邻算法来识别100个具有与该受试者的记录相似的记录数据的受试者。所有相似受试者的峰值流速与该受试者的峰值流速相差在50l/min以内；所有相似受试者的年龄与该受试者的年龄相差在3岁以内；所有相似受试者的体温与该受试者的体温相差在3
°
f以内。在相似受试者中，25％的受试者距离医院位置不到100英里。基于记录数据与该受试者的记录匹配的程度，将相似性度量分配给相似受试者中的每一个相似受试者，并且字段的权重不同(例如，使得症状重叠的权重高于职业重叠)。
[0185]
对于每一个相似受试者，远程服务器识别最迟covid-19治疗以及该受试者是否在施加治疗后两周内存活并出院。在整个受试者组中，识别了6种不同的一线covid-19药物。相似受试者组中低于阈值百分比的受试者(＜5名受试者)接受过这些治疗中的两种治疗。对于其余4种治疗(托珠单抗、瑞德西韦、洛匹那韦-利托那韦和法匹拉韦)中的每一种治疗，确定已接受治疗的受试者在施加治疗后两周内存活并出院的百分比。
[0186]
该界面返回一个结果，该结果识别了4种治疗方法，并且对于这4种治疗中的每一种治疗，识别了：接受过该治疗的相似受试者中的相似性度量的平均值；100名相似受试者中接受过该治疗的相似受试者的百分比；以及已接受该治疗的相似受试者在治疗后两周内存活并出院的百分比。该界面还允许用户点击治疗名称中的一个治疗名称，这使得界面呈现与该治疗相关联的相似受试者的各版本记录的链接。这些版本以符合适用的数据隐私限制的方式进行了编辑和/或概括。医师确定与托珠单抗治疗相关联的受试者组与该受试者最相似，并且该组对治疗的应答是有利的。因此，医师为该受试者开具托珠单抗，并协调护士经由界面交互更新该受试者的记录以反映治疗处方。
[0187]
v.附加考虑
[0188]
本公开的一些实施例包括一种系统，该系统包括一个或多个数据处理器。在一些
实施例中，该系统包括包含指令的非暂时性计算机可读存储介质，所述指令在所述一个或多个数据处理器上被执行时使所述一个或多个数据处理器执行本文公开的一种或多种方法的部分或全部和/或本文公开的一种或多种过程的部分或全部。本公开的一些实施例包括一种有形地体现在非暂时性机器可读存储介质中的计算机程序产品，其包括指令，所述指令被配置为使一个或多个数据处理器执行本文公开的一种或多种方法的部分或全部和/或本文公开的一种或多种过程的部分或全部。
[0189]
已使用的术语和表述被用作描述性而非限制性的术语，并且在使用此类术语和表述时无意排除示出和描述的特征或其部分的任何等效物，但应认识到在要求保护的本发明的范围内可以进行各种修改。因此，应当理解，虽然通过实施例和任选特征具体公开了要求保护的本发明，但是本领域技术人员可以对本文公开的概念进行修改和变化，并且此类修改和变化被认为是在所附权利要求书所限定的本发明范围内。
[0190]
随后的描述仅提供优选的示例性实施例，并不旨在限制本公开的范围、适用性或配置。相反，优选示例性实施例的随后描述将为本领域技术人员提供用于实现各种实施例的可行描述。应当理解，在不脱离所附权利要求中阐述的精神和范围的情况下，可以对元件的功能和布置进行各种改变。
[0191]
在以下描述中给出具体细节以提供对实施例的透彻理解。然而，应当理解，可以在没有这些具体细节的情况下实践实施例。例如，电路、系统、网络、过程和其他部件可以展示为框图形式中的部件，以免不必要的细节使实施例晦涩难懂。在其他情况下，为了避免使实施例晦涩难懂，可以在没有不必要的细节的情况下示出公知的电路、过程、算法、结构和技术。
[0192]
vi.权利要求组
[0193]
如下文所用，对一系列实例的任何引用都应理解为对这些实例中的每一个实例的引用(例如，“实例1至4”应理解为“实例1、2、3或4”)。
[0194]
实例1是一种计算机实现的方法，其包括：接收对应于对与受试者相关联的受试者记录的标识符的选择的输入，所述受试者记录的标识符是使用界面来选择的；从数据存储检索所述受试者记录，所述受试者记录包括受试者属性集；生成针对所述受试者的数组表示，所述数组表示是通过将所述受试者属性集转换为域空间中表示的数组表示来生成的；将针对所述受试者的数组表示输入到经训练的机器-学习模型中以生成大小减小的输出，所述经训练的机器-学习模型包括：使用存储在数据注册表中的其他受试者记录集学习过的参数集，所述其他受试者记录集中的每一个其他受试者记录与感染过covid-19且随后使用治疗进行过治疗的另一受试者相关联；和被配置为使用所述参数集将数组-表示输入转换为大小减小的输出的一个或多个函数；基于所述输出来确定所述受试者记录对应于covid-19诊断标准和/或指示特定covid-19治疗的适用性的因素；以及输出所述受试者记录对应于所述covid-19诊断标准和/或指示特定covid-19治疗的适用性的因素的指示。
[0195]
实例2是根据实例1所述的计算机实现的方法，其进一步包括：响应于确定受试者记录对应于covid-19诊断标准：执行被配置为检测与所述受试者的一个或多个潜在人类交互的标识的交互跟踪协议，所述交互跟踪协议的执行包括：将针对所述受试者的数组表示输入到另一经训练的机器学习模型中，所述另一经训练的机器学习模型已经过训练以生成指示受试者的潜在交互位置的另一输出；基于所述另一经训练的机器学习模型的所述另一
输出来确定与所述受试者相关联的潜在交互位置集，所述潜在交互位置集中的每一个潜在交互位置指示对所述受试者到过的潜在位置或位置类型的预测；确定自所述受试者开始表现出症状以来的天数，自所述受试者开始表现出症状以来的所述天数指示所述受试者已释放的病毒载量的大小；选择所述潜在交互位置集的不完整子集，其中选自所述潜在交互位置集的所述不完整子集的大小是基于自所述受试者开始表现出症状以来的所述天数来确定的；以及生成通信工作流，所述通信工作流用于使通信被发送，以通知与所述潜在交互位置集的不完整子集中的每一个潜在交互位置相关联的一个或多个个体，其中在接收到来自所述受试者的授权时发送所述通信。
[0196]
实例3是根据实例1至2所述的计算机实现的方法，其进一步包括：接收对所述通信的一个或多个响应；使用对所述通信的所述一个或多个响应来识别所述一个或多个潜在人类交互；以及针对所述一个或多个潜在人类交互中的每一个潜在人类交互生成用于向所述潜在人类交互分配covid-19测试的测试请求工作流。
[0197]
实例4是根据实例1至3中任一项所述的计算机实现的方法，其进一步包括：响应于确定所述受试者记录对应于所述covid-19诊断标准：将所述其他受试者记录集输入到随机森林模型中，所述随机森林模型定义与所述其他受试者记录集相关联的树状结构，所述树状结构包括一个或多个节点，并且所述一个或多个节点中的每一个节点表示所述其他受试者记录集的子集；使用所述随机森林模型来处理所述其他受试者记录集，所述处理包括确定用于将所述其他受试者记录集分割成一个或多个受试者记录子集的一个或多个分割阈值，每一个受试者记录子集对应于所述树状结构的叶节点，所述叶节点表示受试者结果，并且所述一个或多个分割阈值中的每一个分割阈值使所述树状结构分支成一个或多个子节点；选择所述一个或多个受试者记录子集中的子集，所选择的子集对应于从covid-19康复后已出院的受试者；确定与所选择的子集相关联的治疗集，所述治疗集中的每一种治疗已开具给所述从covid-19康复后已出院的受试者中的至少一个受试者；以及在所述界面上呈现所述治疗集作为用于治疗所述受试者的建议治疗。
[0198]
实例5是根据实例1至4所述的计算机实现的方法，其中处理所述其他受试者记录集进一步包括：确定与所选择的子集相关联的一个或多个特征，所述一个或多个特征中的每一个特征是基于所述一个或多个分割阈值中的分割阈值来确定的，并且每一个特征有助于将所述其他受试者记录集筛选到所选择的子集中：确定所述受试者记录与所选择的子集的所述一个或多个特征之间的相似性度量；以及确定针对所述治疗集中的每一种建议治疗的置信度分数，所述置信度分数是基于所述相似性度量来确定的。
[0199]
实例6是根据实例1至5所述的计算机实现的方法，其进一步包括：开具与所述covid-19诊断相关联的治疗工作流，所述治疗工作流包括所述治疗集中的治疗，所述治疗能够由医师或医疗专业人员执行。
[0200]
实例7是根据实例1至6中任一项所述的计算机实现的方法，其中表征所述受试者的所述受试者属性集包括来自包含以下各项的组中的任一项或多项：一种或多种合并症、所述受试者的吸烟状况、病毒性疾病的疑似诊断、病毒性疾病的确诊诊断、用于确认诊断的测试技术或用于疾病或病症的治疗。
[0201]
实例8是根据实例1至7中任一项所述的计算机实现的方法，其中所述受试者作为covid-19疑似病例被收治到了医疗机构。
[0202]
实例9是根据实例1至8中任一项所述的计算机实现的方法，其中对所述受试者进行covid-19rt-pcr检测以确认所述受试者患有covid-19。
[0203]
实例10是根据实例1至9中任一项所述的系统，其中所述治疗集包括来自包含以下各项的组中的任一项或多项：抗病毒药物、补充氧气、机械通气、体外膜氧合、恢复期血浆、用于治疗covid-19的sars-cov-2免疫球蛋白、免疫调节剂、皮质类固醇或抗血栓疗法。
[0204]
实例11是一种系统，其包括：一个或多个处理器；和非暂时性计算机可读存储介质，其包含指令，所述指令在所述一个或多个处理器上被执行时，使所述一个或多个处理器执行包括以下各项的操作：接收对应于对与受试者相关联的受试者记录的标识符的选择的输入，所述受试者记录的标识符是使用界面来选择的；从数据存储检索所述受试者记录，所述受试者记录包括受试者属性集；生成针对所述受试者的数组表示，所述数组表示是通过将所述受试者属性集转换为域空间中表示的数组表示来生成的；将针对所述受试者的数组表示输入到经训练的机器-学习模型中以生成大小减小的输出，所述经训练的机器-学习模型包括：使用存储在数据注册表中的其他受试者记录集学习过的参数集，所述其他受试者记录集中的每一个其他受试者记录与感染过covid-19且随后使用治疗进行过治疗的另一受试者相关联；和被配置为使用所述参数集将数组-表示输入转换为大小减小的输出的一个或多个函数；基于所述输出来确定所述受试者记录对应于covid-19诊断标准和/或指示特定covid-19治疗的适用性的因素；以及输出所述受试者记录对应于所述covid-19诊断标准和/或指示特定covid-19治疗的适用性的因素的指示。
[0205]
实例12是根据实例11所述的系统，其中所述操作进一步包括：响应于确定受试者记录对应于covid-19诊断标准：执行被配置为检测与所述受试者的一个或多个潜在人类交互的标识的交互跟踪协议，所述交互跟踪协议的执行包括：将针对所述受试者的数组表示输入到另一经训练的机器学习模型中，所述另一经训练的机器学习模型已经过训练以生成指示受试者的潜在交互位置的另一输出；基于所述另一经训练的机器学习模型的所述另一输出来确定与所述受试者相关联的潜在交互位置集，所述潜在交互位置集中的每一个潜在交互位置指示对所述受试者到过的潜在位置或位置类型的预测；确定自所述受试者开始表现出症状以来的天数，自所述受试者开始表现出症状以来的所述天数指示所述受试者已释放的病毒载量的大小；选择所述潜在交互位置集的不完整子集，其中选自所述潜在交互位置集的所述不完整子集的大小是基于自所述受试者开始表现出症状以来的所述天数来确定的；以及生成通信工作流，所述通信工作流用于使通信被发送，以通知与所述潜在交互位置集的不完整子集中的每一个潜在交互位置相关联的一个或多个个体，其中在接收到来自所述受试者的授权时发送所述通信。
[0206]
实例13是根据实例11至12所述的系统，其中所述操作进一步包括：接收对所述通信的一个或多个响应；使用对所述通信的所述一个或多个响应来识别所述一个或多个潜在人类交互；以及针对所述一个或多个潜在人类交互中的每一个潜在人类交互生成用于向所述潜在人类交互分配covid-19测试的测试请求工作流。
[0207]
实例14是根据实例11至13所述的系统，其中所述操作进一步包括：响应于确定所述受试者记录对应于所述covid-19诊断标准：将所述其他受试者记录集输入到随机森林模型中，所述随机森林模型定义与所述其他受试者记录集相关联的树状结构，所述树状结构包括一个或多个节点，并且所述一个或多个节点中的每一个节点表示所述其他受试者记录
集的子集；使用所述随机森林模型来处理所述其他受试者记录集，所述处理包括确定用于将所述其他受试者记录集分割成一个或多个受试者记录子集的一个或多个分割阈值，每一个受试者记录子集对应于所述树状结构的叶节点，所述叶节点表示受试者结果，并且所述一个或多个分割阈值中的每一个分割阈值使所述树状结构分支成一个或多个子节点；选择所述一个或多个受试者记录子集中的子集，所选择的子集对应于从covid-19康复后已出院的受试者；确定与所选择的子集相关联的治疗集，所述治疗集中的每一种治疗已开具给所述从covid-19康复后已出院的受试者中的至少一个受试者；以及在所述界面上呈现所述治疗集作为用于治疗所述受试者的建议治疗。
[0208]
实例15是根据实例11至14所述的系统，其中处理所述其他受试者记录集进一步包括：确定与所选择的子集相关联的一个或多个特征，所述一个或多个特征中的每一个特征是基于所述一个或多个分割阈值中的分割阈值来确定的，并且每一个特征有助于将所述其他受试者记录集筛选到所选择的子集中：确定所述受试者记录与所选择的子集的所述一个或多个特征之间的相似性度量；以及确定所述建议治疗集中的每一种建议治疗的置信度分数，所述置信度分数是基于所述相似性度量来确定的。
[0209]
实例16是根据实例11至15所述的系统，其中所述操作进一步包括：开具与所述covid-19诊断相关联的治疗工作流，所述治疗工作流包括所述治疗集中的治疗，所述治疗能够由医师或医疗专业人员执行。
[0210]
实例17是根据实例11至16中任一项所述的系统，其中表征所述受试者的所述受试者属性集包括来自包含以下各项的组中的任一项或多项：一种或多种合并症、所述受试者的吸烟状况、病毒性疾病的疑似诊断、病毒性疾病的确诊诊断、用于确认诊断的测试技术或用于疾病或病症的治疗。
[0211]
实例18是根据实例11至17中任一项所述的系统，其中所述受试者作为covid-19疑似病例被收治到了医疗机构。
[0212]
实例19是根据实例11至18中任一项所述的系统，其中对所述受试者进行covid-19rt-pcr检测以确认所述受试者患有covid-19。
[0213]
实例20是根据实例11至19中任一项所述的系统，其中所述治疗集包括来自包含以下各项的组中的任一项或多项：抗病毒药物、补充氧气、机械通气、体外膜氧合、恢复期血浆、用于治疗covid-19的sars-cov-2免疫球蛋白、免疫调节剂、皮质类固醇或抗血栓疗法。